還是推薦電影模蜡,這次是基于物品的協(xié)同過(guò)濾

基于用戶(hù)的協(xié)同過(guò)濾,適用于物品較少扁凛,用戶(hù)也不太多的情況忍疾。如果用戶(hù)太多了,針對(duì)每個(gè)用戶(hù)的購(gòu)買(mǎi)情況來(lái)計(jì)算哪些用戶(hù)和他品味類(lèi)似谨朝,效率很低下卤妒。如果商品很多,每個(gè)用戶(hù)購(gòu)買(mǎi)的商品重合的可能性很小字币,這樣判斷品味是否相似也就變得比較困難了则披。

還有一類(lèi)智能推薦算法,是“基于物品的協(xié)同過(guò)濾”洗出。消費(fèi)者每天都在買(mǎi)買(mǎi)買(mǎi)士复,行為變化很快,但是物品每天雖然也有變化翩活,但是和物品總量相比變化還是少很多阱洪。這樣,就可以預(yù)先計(jì)算物品之間的相似程度菠镇,然后再利用顧客實(shí)際購(gòu)買(mǎi)的情況找出相似的物品做推薦冗荸。

由于物品整體變化不大,所以這個(gè)相似程度不用每天都算利耍,節(jié)省計(jì)算資源蚌本;同時(shí),可以只給某一樣商品只備選5個(gè)相似商品隘梨,推薦時(shí)只做這5個(gè)相似物品的加權(quán)評(píng)分程癌,避免對(duì)所有商品都進(jìn)行加權(quán)評(píng)分,以避免大量計(jì)算轴猎。這么說(shuō)有點(diǎn)抽象席楚,還是看一個(gè)例子吧。

還是用上一篇文章的例子税稼,目的是給A推薦一部電影


Score

首先是計(jì)算電影之間的相似度烦秩,方法還是有很多垮斯,這次用Pearson相關(guān)系數(shù)來(lái)做,公式為:

pearson.png

公式看起來(lái)復(fù)雜只祠,其實(shí)可以分成6個(gè)部分分別計(jì)算就好了兜蠕,我們選《尋龍?jiān)E》(X)和《小門(mén)神》(Y)作為例子,來(lái)算一下相似度抛寝,則
X=(3.5熊杨,5.0,3.0)
Y=(3.0盗舰,3.5晶府,2.0)
數(shù)字就是評(píng)分,因?yàn)橹挥腥齻€(gè)人同時(shí)看了這兩個(gè)電影钻趋,所以X川陆,Y兩個(gè)向量都只有三個(gè)元素。按照公式逐步計(jì)算:

1. x和y的乘積再求和:3.5×3.0+5.0×3.5+3.0×2.0 = 34
2. x求和乘以y求和蛮位,再除以個(gè)數(shù):((3.5+5.0+3.0)×(3.0+3.5+2.0))/ 3 = 32.58
3. x的平方和:3.52+5.02+3.0^2 = 46.25
4. x和的平方除以個(gè)數(shù):((3.5+5.0+3.0)^2)) / 3 = 44.08
5. y的平方和:3.02+3.52+2.0^2 = 25.25
6. y和的平方除以個(gè)數(shù):((3.0+3.5+2.0)^2)) / 3 = 24.08

最終把這幾塊的結(jié)果帶入到整體的公式中:得出相關(guān)系數(shù)為0.89较沪。

按照這種方法,需要兩兩計(jì)算電影的相似性失仁,最終結(jié)果如下表:


相似性

相關(guān)系數(shù)取值為【-1尸曼,1】,1表示完全相似萄焦,0表示沒(méi)關(guān)系控轿,-1表示完全相反。結(jié)合到電影偏好上拂封,如果相關(guān)系數(shù)為負(fù)數(shù)茬射,比如《老炮兒》和《唐人街探案》,意思是說(shuō)烘苹,喜歡《老炮兒》的人,存在厭惡《唐人街探案》的傾向片部。

然后就可以為A推薦電影了镣衡,思路是:A只看過(guò)兩個(gè)電影,然后看根據(jù)其他電影與這兩個(gè)電影的相似程度档悠,進(jìn)行加權(quán)評(píng)分廊鸥,得出應(yīng)該推薦給A的電影,具體方法可以列一個(gè)表:

final

用A看過(guò)的電影的評(píng)分辖所,和其他電影的相似度相乘(紅框)惰说,然后再把相乘后的結(jié)果加和(綠框),得出最后的推薦度缘回。這里可以看到吆视,應(yīng)該向A推薦《尋龍?jiān)E》典挑,和上一篇文章用基于用戶(hù)的協(xié)同過(guò)濾算法結(jié)果是一致的。

#總結(jié)#
推薦算法的幾個(gè)基本思想:

  • 根據(jù)和你共同喜好的人來(lái)給你推薦(基于用戶(hù)的)
  • ?根據(jù)你喜歡的物品找出和它相似的來(lái)給你推薦(基于物品的)
  • 根據(jù)你給出的關(guān)鍵字來(lái)給你推薦(退化成搜索算法)
  • 根據(jù)上面的幾種條件組合起來(lái)給你推薦

經(jīng)過(guò)多年的發(fā)展啦吧,思想還是這些思想您觉,變化的地方在于計(jì)算相似度的衡量標(biāo)準(zhǔn)上,進(jìn)而衍生出了各種計(jì)算相似度的算法授滓,各種算法的優(yōu)劣體現(xiàn)在相似度判定的準(zhǔn)確度以及算法的計(jì)算速度和占用的計(jì)算資源:

  • 歐氏距離算法
  • 余弦距離算法
  • Jaccard距離算法
  • 皮爾遜距離算法
  • ……
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末琳水,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子般堆,更是在濱河造成了極大的恐慌在孝,老刑警劉巖,帶你破解...
    沈念sama閱讀 222,807評(píng)論 6 518
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件淮摔,死亡現(xiàn)場(chǎng)離奇詭異私沮,居然都是意外死亡,警方通過(guò)查閱死者的電腦和手機(jī)噩咪,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,284評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門(mén)顾彰,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人胃碾,你說(shuō)我怎么就攤上這事涨享。” “怎么了仆百?”我有些...
    開(kāi)封第一講書(shū)人閱讀 169,589評(píng)論 0 363
  • 文/不壞的土叔 我叫張陵厕隧,是天一觀(guān)的道長(zhǎng)。 經(jīng)常有香客問(wèn)我俄周,道長(zhǎng)吁讨,這世上最難降的妖魔是什么? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 60,188評(píng)論 1 300
  • 正文 為了忘掉前任峦朗,我火速辦了婚禮建丧,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘波势。我一直安慰自己翎朱,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,185評(píng)論 6 398
  • 文/花漫 我一把揭開(kāi)白布尺铣。 她就那樣靜靜地躺著拴曲,像睡著了一般。 火紅的嫁衣襯著肌膚如雪凛忿。 梳的紋絲不亂的頭發(fā)上澈灼,一...
    開(kāi)封第一講書(shū)人閱讀 52,785評(píng)論 1 314
  • 那天,我揣著相機(jī)與錄音,去河邊找鬼叁熔。 笑死委乌,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的者疤。 我是一名探鬼主播福澡,決...
    沈念sama閱讀 41,220評(píng)論 3 423
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼驹马!你這毒婦竟也來(lái)了革砸?” 一聲冷哼從身側(cè)響起,我...
    開(kāi)封第一講書(shū)人閱讀 40,167評(píng)論 0 277
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤糯累,失蹤者是張志新(化名)和其女友劉穎算利,沒(méi)想到半個(gè)月后,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體泳姐,經(jīng)...
    沈念sama閱讀 46,698評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡效拭,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,767評(píng)論 3 343
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了胖秒。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片缎患。...
    茶點(diǎn)故事閱讀 40,912評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖阎肝,靈堂內(nèi)的尸體忽然破棺而出挤渔,到底是詐尸還是另有隱情,我是刑警寧澤风题,帶...
    沈念sama閱讀 36,572評(píng)論 5 351
  • 正文 年R本政府宣布判导,位于F島的核電站,受9級(jí)特大地震影響沛硅,放射性物質(zhì)發(fā)生泄漏眼刃。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,254評(píng)論 3 336
  • 文/蒙蒙 一摇肌、第九天 我趴在偏房一處隱蔽的房頂上張望擂红。 院中可真熱鬧,春花似錦围小、人聲如沸昵骤。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 32,746評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)涉茧。三九已至赴恨,卻和暖如春疹娶,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背伦连。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 33,859評(píng)論 1 274
  • 我被黑心中介騙來(lái)泰國(guó)打工雨饺, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留钳垮,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 49,359評(píng)論 3 379
  • 正文 我出身青樓额港,卻偏偏與公主長(zhǎng)得像饺窿,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子移斩,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,922評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容