本文总结了推荐系统的几种主要算法，包括协同过滤的User-based和Item-based，以及隐语义模型。协同过滤中讨论了如何计算用户与物品的相似度，以及处理热门商品问题的方法。此外，还提到了隐语义模型的原理和优缺点，并对比了UserCF和ItemCF。文章最后简要介绍了基于图的推荐模型，如基于随机游走的PersonalRank算法。
以下均为个人总结，“我认为”居多，欢迎指正，给菜鸟一个学习的机会。
音乐推荐与普通商品推荐的区别
1、消费歌代价小； 免费
2、物品重用率高； 喜欢的歌会重复听，裤子未必会重复买
3、上下文相关性更大； 和用户当前心情、工作环境相关更大
推荐系统的指标
precision
recall
新颖度
惊喜度
转化率
覆盖率
各自的关注点分别是：
precision： 推荐的100件商品中有多少是用户确实喜欢的？
recall： 用户所有喜欢的商品（假设：100件）中你推荐了出来了多少件？
新颖度：你推荐的是热门的还是长尾的？
惊喜度：用户有多喜欢你推荐的？
转化率：你推荐给用户的，有多少转化为了购买（商品）或者收藏（音乐）？
覆盖率：仓库里的那100件商品你全都推荐过么？能否保证将每个商品至少推荐给了一个用户？
协同过滤 Collaborative Filtering：
1、常用的有
User-based Collaborative Filtering：
从跟目标用户相似的其他用户中找几个最相似的，把它们喜欢的商品推荐给目标用户
Item-based Collaborative Filtering：
把跟目标用户喜欢的商品相似的商品中找几个最相似的，把它们推荐给目标用户
2、如何衡量相似？
对User-base
最低0.47元/天 解锁文章
扫一扫
2519
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
