协同过滤之基于用户-物品矩阵推荐系统(待续)

最新推荐文章于 2025-02-13 23:46:50 发布
最新推荐文章于 2025-02-13 23:46:50 发布
阅读量8k 收藏 34
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 算法 文章标签： 推荐算法 协同过滤
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/sinat_30353259/article/details/81874992
本文详细介绍了协同过滤推荐系统，包括基于物品的协同过滤和基于用户的协同过滤。通过构建用户-物品矩阵，计算相似度矩阵，利用余弦距离或欧氏距离，进行评分预测并用均方根误差（RMSE）作为评价指标。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

先上图，第一个是基于物品协同过滤推荐，第二个是基于用户的协同过滤推荐
这里写图片描述
这个两个步骤差不多。先说基于物品的协同过滤，原理就是上面这张图，下面说步骤

一、基于物品的协同过滤

步骤：
1、根据用户对物品的评分构建用户-物品矩阵
这里写图片描述
2、创建一个nn的物品相似度矩阵
在产品-产品协同过滤中的产品之间的相似性值是通过观察所有对两个产品之间的打分的用户来度量的
这里写图片描述
通过计算每一个i物品与j物品之间的相似性值，得到一个nn的相似度矩阵，矩阵的n(i,j)的取值为i与j的相似值，相似矩阵为对称矩阵
这里写图片描述
相似度算法可以采用余弦距离、欧氏距离

3、预测
现在已经得到 用户-物品矩阵R 和 物品相似度矩阵S，现在需要

了解本专栏 订阅专栏 解锁全文 超级会员免费看
第一章 基于评分矩阵的推荐系统
komjay的博客
03-10 823
1.推荐系统概要2.学习三种协同过滤的经典推荐系统3.学习各种方法改善协同过滤的推荐系统 作用：为用户定制化提供推荐信息。 原因：如今用户处在信息爆炸的时代，难以找到自己想要的信息。 难点：不像搜索引擎一样需要用户输入，而且需要针对不同用户个性化推荐。 即计算该用户历史上对一系列物品的评分取平均，作为其对当前一系列所对应未知物品的评分。选择前n个物品来作推荐。 寻找当前用户的一些相似邻居（他们的历史评分与当前用户的相似），这些邻居有对未知
推荐算法（一）：协同过滤系列
weixin_39075492的博客
08-04 1265
一、协同过滤(collaborative filtering) 一种ItemCF推荐baseline： 1.输入：user-item相关矩阵 2.中间结果：item间相似度计算：item_i与item_j间相似度：分子：与二者均有关联的user数，被同一个人购买的次数多则相似；分母包含各自关联的总用户数，用以惩罚热门item； p.s.认为无评分时相当于做了热度衰减的频繁项集推荐方式； 如有user-item关系有权重（如用户对影片评分）：相似度取决于对二者皆有交互的用户评分，将上式分子换为两item评分
基于用户的协同过滤推荐算法实现原理及实现代码
linge511873822的博客
11-09 1万+
基于用户的协同过滤推荐算法基于用户的协同过滤推荐算法实现原理及实现代码一、基于用户的协同过滤推荐算法实现原理二、基于用户的协同过滤推荐算法实现代码 基于用户的协同过滤推荐算法实现原理及实现代码 一、基于用户的协同过滤推荐算法实现原理 传统的基于用户（User-Based）的协同过滤推荐算法实现原理分四个步骤： 1.根据用户历史行为信息构建用户-项目评分矩阵，用户历史行为信息包括项目评分、浏览历史、...
推荐系统 之 协同过滤和矩阵分解
Francis_s的博客
10-28 2334
1. 基于用户的协同过滤 首先就是建立共现矩阵，行是M个样本，列是N个物品，第M行N列代表这个M用户是否对这个N物品感兴趣，感兴趣就点赞，赋值1，没有点赞赋值0 然后预测的第一步就是找到与某一个用户最相似的前n个用户 预测的第二步就是综合这些相似用户对某一个物品的评价，得出我们要预测用户对这个物品的评价 所以这里比较重要的就是怎么计算用户的相似度。 其实就是把这些用户点赞的地方是不是大致都一样的。有 1.余弦相似度 ...
打分矩阵Scoring Matrices
wangprince2017
09-04 3709
基于用户的协同过滤算法的电影推荐系统
热门推荐
行者小朱的博客
08-21 4万+
上一篇讲解了推荐算法的分类，这里电影推荐系统具体分析一下 第一步：建立用户电影矩阵模型         如表1所示，协同过滤算法的输入数据通常表示为一个m*n的用户评价矩阵Matrix，m是用户数，n是电影数，Matrix[ij]表示第i个用户对第j个电影的评价： 第二步：发现兴趣相似的用户         这一阶段，主要完成对目标用户最近邻居的查找，通过计算目标用户与其他用户
（6-2）基于知识图谱的推荐：知识表示和语义关联
码农三叔
02-24 1450
在知识图谱中，知识表示和语义关联相互作用，共同构成了知识图谱的核心内容和功能。它们通过提供丰富的语义信息和关联关系，支持推荐、搜索、推理等任务，提高了知识的利用效率和智能化水平。
MapReduce实现推荐算法（同现矩阵*评分矩阵=推荐结果）
asdfzjs的专栏
08-29 4497
该讲主要是基于ItemCF的物品推荐。 1，常用的两大协同过滤算法。 a,基于物品的协同过滤算法 基于item的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐。简单来讲就是：给用户推荐和他之前喜欢的物品相似的物品。 b,基于用户的协同过滤算法UserCF 基于用户的协同过滤，通过不同用户对物品的评分来评测用户之间的相似性，基于用
（2-4）基于内容的推荐：主题模型（Topic Modeling）
码农三叔
02-07 1258
主题模型是一种用于分析文本数据的统计模型，它旨在发现文本背后的潜在主题或话题结构。它假设每个文档都由多个主题组成，并且每个主题都由一组相关的单词表示。通过分析文档中单词的分布模式，主题模型可以识别出这些主题，并用它们来描述和表示文本数据。在基于内容的推荐系统中，主题模型可以帮助理解文本数据中的主题信息，并将其应用于推荐过程中。
用户--节目评分矩阵的生成
JimSMMG994的博客
11-01 6432
原始用户评分数据格式如下： 现在要做的是把它转为用户--评分矩阵格式 n_users = sdf['user_id'].drop_duplicates() #获取index n_items = sdf['item_name'].drop_duplicates() #获取columns df_ = pd.DataFrame(index=n_users, columns=n_items)...
对评分矩阵进行分解，SVD与LSI
weixin_30808693的博客
04-10 725
摘自 推荐系统 https://www.cnblogs.com/lzllovesyl/p/5243370.html 一、SVD奇异值分解 1、SVD简介 SVD（singular value decomposition）。其作用就是将一个复杂的矩阵分解成3个小的矩阵。 用一张图片表示SVD的结构 2、SVD计算 （1）特征值和特...
矩阵分解MF用于评分预测
Toby的博客
07-02 1955
矩阵分解 Matrix Factorization 矩阵分解简介 矩阵分解，简单来说，就是把原来的大矩阵，近似分解成两个小矩阵的乘积，实际推荐计算时不再使用大矩阵，而是使用分解得到的两个小矩阵。 假设用户物品评分矩阵为 R，维度为mxn，即 m 个用户， n 个物品。选择一个很小的数 k，k 比 m 和 n 都小很多，然后通过算法生成两个矩阵 P 和 Q，这两个矩阵的要求如下：P 的维度是 mxk，Q 的维度是 nxk， P 和 Q 的转置相乘结果为 R，即R=P*Q^T。也就是说分解得到的矩阵P和.
推荐系统—基于用户的协同过滤算法简单实现
weixin_45426939的博客
10-21 2550
- [ ] 目的：实现一个基于用户(user-based)的协同过滤算法 - [ ] 数据集：用户对电影的评分 - [ ] 最终结果：为用户推荐电影 - [ ] 算法评价：用户预估评分与真实评分的差距
【推荐系统】推荐系统基础算法-基于矩阵分解的推荐方法、隐语义模型
m0_51933492的博客
09-02 1306
加载用户对物品的评分矩阵矩阵分解，求奇异值，根据奇异值的能量占比确定降维至k的数值使用矩阵分解对物品评分矩阵进行降维使用降维后的物品评分矩阵计算物品相似度，对用户未评分过得物品进行预测产生前n个评分值高的物品，返回物品编号以及预测评分值。
推荐算法中的 相似度计算
12-23 2万+
对用户的行为进行分析得到用户的偏好后，可以根据用户的偏好计算相似用户和物品，然后可以基于相似用户或物品进行推荐。这就是协同过滤中的两个分支了，即基于用户的协同过滤和基于物品的协同过滤。       关于相似度的计算，现有的几种方法都是基于向量(Vector)的，其实也就是计算两个向量的距离，距离越近相似度越大。在推荐场景中，在用户-物品偏好的二维矩阵中，我们可以将一个用户对所有物品的偏好作为一个
机器学习-矩阵分解
weixin_46007132的博客
05-25 844
提出问题 在一个关于用户和物品评分的矩阵中（如下图所示：用户集U={u1,u2,u3,u4},项目集I={i1,i2,i3,i4}。矩阵中的对应元素代表评分，如：u1对i2的评分为2。？代表用户未对该项目进行评分），往往矩阵中的评分会较为稀疏。其中有很多物品用户并没有对其进行评分，我们的任务就是对这些没有评分的项目进行预测。 i1 i2 i3 i4 u1 ？ 2 3 ？ u2 ？ 4 ？ 2 u3 4 ？
【推荐系统】基于用户的协同过滤算法（UserCF）原理及电影推荐Python实例+附基于用户SVD矩阵分解算法改进
MrBlingie的博客
05-09 7797
【推荐系统】基于用户的协同过滤算法（UserCF）原理及电影推荐Python实例+附SVD对比 算法原理 基于用户的协同过滤算法 协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。 基于用户的协同过滤算法其简单应用情景是：当用户需要个性化推荐时，可以先找到...
推荐系统实践（三）ICF和UCF
HouLei
05-16 1万+
一、原理 ICF是基于物品的推荐（利用物品之间的相似度计算预测值） UCF是基于用户的最近邻推荐 1.UCF （1）输入：An×m的评分 （用户n，物品m） （2）1.计算用户之间的相关系数person系数：（得到的值在-1~1之间，越接近1的越好） 得到与A用户近似的N个用户。 person系数的理解：在计算中不考虑平均值的差异使得用户间可以比较。 没有考虑两用户是否仅同时对很少的物品进行评...
【推荐系统】协同过滤
最新发布
Yoki_Niu的博客
02-13 426
介绍了推荐系统的经典召回算法
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

平原2018

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值