機器學(xué)習(xí)|推薦系統(tǒng)客戶購買可能性預(yù)測分析

在上周寫了一篇“基于機器學(xué)習(xí)的銀行電話營銷客戶購買可能性預(yù)測分析”菜皂,那是作為對客戶購買可能性預(yù)測分析的第一次驗證案例的嘗試宝磨。今天是基于機器學(xué)習(xí)的客戶購買可能性預(yù)測分析的第二次驗證案例:推薦系統(tǒng)莉擒。

推薦系統(tǒng)

基于熱度推薦:由專家或者一定時期產(chǎn)品銷售情況或者主推產(chǎn)品,制作一個排行榜,在沒有用戶數(shù)據(jù)的情況下根據(jù)排行榜推薦

基于用戶特征推薦:通過歷史數(shù)據(jù)元暴,由算法(機器學(xué)習(xí))根據(jù)用戶特征進(jìn)行推薦喜颁,在用戶數(shù)據(jù)能夠填寫一些基本數(shù)據(jù)的情況下

基于知識推薦:通過用戶要求稠氮,比如果需要高收益,需要低風(fēng)險的產(chǎn)品洛巢,在數(shù)據(jù)庫對產(chǎn)品進(jìn)行篩選括袒,然后推薦

基于內(nèi)容推薦:通過用戶已經(jīng)購買的產(chǎn)品次兆,推薦內(nèi)容相似的物品稿茉,這里的內(nèi)容相似是由專業(yè)人員提供

協(xié)同過濾推薦:通過算法直接計算物品相識度,注意這里的物品相似度不是2個物品內(nèi)容芥炭,而是有購買情況來確定的漓库,比如說購買A(手機)的用戶,大多數(shù)都購買了B(手機套)园蝠,算法計算出A與B是相似的

一些機器學(xué)習(xí)推薦:通過以一些機器學(xué)習(xí)算法渺蒿,比如說FM(因式分解機),深度學(xué)習(xí)彪薛,deepfm等

其中對于新用戶通常三選一

對于老用戶茂装,通常是使用多種算法,然后加權(quán)得出最優(yōu)的推薦列表

3種方法驗證

在這里主要3種方法驗證善延,協(xié)同過濾少态,F(xiàn)M(因式分解機),deepFM易遣。

協(xié)同過濾算法

計算所有物品的相似度(注意不是內(nèi)容相似)

推薦方法:

對用戶夠買(或者評價過)的物品查詢相識度彼妻,然后加權(quán)推薦

簡單例子:

最終推薦(從左到右)

基于協(xié)同過濾展示?對user=‘1’

Python打印結(jié)果 ?這里看過的電影只打印前5 ??推薦電影只推薦加權(quán)后前10

------WATCHED MOVIES--------

1193 "One Flew Over the Cuckoo's Nest (1975)" 'Drama'

2355 "Bug's Life, A (1998)" "Animation|Children's|Comedy"

1287 'Ben-Hur (1959)' 'Action|Adventure|Drama'

2804 'Christmas Story, A (1983)' 'Comedy|Drama'

595 'Beauty and the Beast (1991)' "Animation|Children's|Musical"

------RECOMMEND MOVIES--------

1196 'Star Wars: Episode V - The Empire Strikes Back (1980)' 'Action|Adventure|Drama|Sci-Fi|War']]

1265 'Groundhog Day (1993)' 'Comedy|Romance'

364 'Lion King, The (1994)' "Animation|Children's|Musical"

260 'Star Wars: Episode IV - A New Hope (1977)' 'Action|Adventure|Fantasy|Sci-Fi'

2571 'Matrix, The (1999)' 'Action|Sci-Fi|Thriller'

2716 'Ghostbusters (1984)' 'Comedy|Horror'

1022 'Cinderella (1950)' "Animation|Children's|Musical"

318 'Shawshank Redemption, The (1994)' 'Drama'

1282 'Fantasia (1940)' "Animation|Children's|Musical"

1580 'Men in Black (1997)' 'Action|Adventure|Comedy|Sci-Fi'

因式分解機算法

評分矩陣是一種反映用戶對物品喜歡的矩陣,如下圖

因式分解機一種補全評分矩陣的的算法(紅色為算法補全)豆茫,然后根據(jù)評分推薦(對用戶1推薦為物品3>物品6>物品1>物品4>物品5)

算法解釋:通過已知的評分去找到P和Q侨歉,K為隱藏的特征,可以設(shè)置不同值

因式分解機算法的效果如下

------RECOMMEND MOVIES--------

318 'Shawshank Redemption, The (1994)'

858 'Godfather, The (1972)'

1198 'Raiders of the Lost Ark (1981)'

50 'Usual Suspects, The (1995)'

2858 'American Beauty (1999)'

912 'Casablanca (1942)'

593 'Silence of the Lambs, The (1991)'

750 'Dr. Strangelove or: How I Learned to Stop Worrying and Love the Bomb (1963)'

908 'North by Northwest (1959)'

1221 'Godfather: Part II, The (1974)'

deepFM算法

deepFM?是一種結(jié)合FM算法和深度學(xué)習(xí)的算法揩魂,結(jié)構(gòu)如下

deepFM算法的效果如下

------RECOMMEND MOVIES--------

593 'Silence of the Lambs, The (1991)'

1617 'L.A. Confidential (1997)'

1233 'Boat, The (Das Boot) (1981)'

318 'Shawshank Redemption, The (1994)'

1198 'Raiders of the Lost Ark (1981)'

858 'Godfather, The (1972)'

733 'Rock, The (1996)'

1276 'Cool Hand Luke (1967)'

2571 'Matrix, The (1999)'

953 "It's a Wonderful Life (1946)"

模型評價指標(biāo)

用戶滿意度

預(yù)測準(zhǔn)確度

覆蓋率

多樣性

新穎性

驚喜度

信任度

實時性

健壯性

商業(yè)目標(biāo)

離線實驗的目標(biāo)

最大化預(yù)測準(zhǔn)確度

在滿足一定要求的情況下

比如

覆蓋率>60%

多樣性>30%

新穎性>10%

推薦系統(tǒng)算法總結(jié)

多種算法適用不同的場景幽邓。

混合推薦,提高購買率火脉。比如說用戶購買手機牵舵,按照內(nèi)容相似,推薦其他的手機忘分;按照協(xié)同過濾棋枕,推薦手機套等買手機的人也大概率會買的大小妒峦;按照評分估計的算法重斑,根據(jù)用戶推薦可能會購買的啤酒,衣服的肯骇。在有限推薦位置窥浪,混合推薦祖很,提高成功率。

慧都大數(shù)據(jù)分析平臺漾脂,將學(xué)習(xí)假颇、推理、思考骨稿、預(yù)測笨鸡、規(guī)劃等能力賦予企業(yè)數(shù)據(jù),讓數(shù)據(jù)驅(qū)動決策坦冠,創(chuàng)造最高業(yè)務(wù)價值形耗。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市辙浑,隨后出現(xiàn)的幾起案子激涤,更是在濱河造成了極大的恐慌,老刑警劉巖判呕,帶你破解...
    沈念sama閱讀 211,265評論 6 490
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件倦踢,死亡現(xiàn)場離奇詭異,居然都是意外死亡侠草,警方通過查閱死者的電腦和手機辱挥,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,078評論 2 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來梦抢,“玉大人般贼,你說我怎么就攤上這事“路裕” “怎么了哼蛆?”我有些...
    開封第一講書人閱讀 156,852評論 0 347
  • 文/不壞的土叔 我叫張陵,是天一觀的道長霞赫。 經(jīng)常有香客問我腮介,道長,這世上最難降的妖魔是什么端衰? 我笑而不...
    開封第一講書人閱讀 56,408評論 1 283
  • 正文 為了忘掉前任叠洗,我火速辦了婚禮,結(jié)果婚禮上旅东,老公的妹妹穿的比我還像新娘灭抑。我一直安慰自己,他們只是感情好抵代,可當(dāng)我...
    茶點故事閱讀 65,445評論 5 384
  • 文/花漫 我一把揭開白布腾节。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪案腺。 梳的紋絲不亂的頭發(fā)上庆冕,一...
    開封第一講書人閱讀 49,772評論 1 290
  • 那天,我揣著相機與錄音劈榨,去河邊找鬼访递。 笑死,一個胖子當(dāng)著我的面吹牛同辣,可吹牛的內(nèi)容都是我干的拷姿。 我是一名探鬼主播,決...
    沈念sama閱讀 38,921評論 3 406
  • 文/蒼蘭香墨 我猛地睜開眼邑闺,長吁一口氣:“原來是場噩夢啊……” “哼跌前!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起陡舅,我...
    開封第一講書人閱讀 37,688評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎伴挚,沒想到半個月后靶衍,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,130評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡茎芋,尸身上長有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...
    茶點故事閱讀 36,467評論 2 325
  • 正文 我和宋清朗相戀三年颅眶,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片田弥。...
    茶點故事閱讀 38,617評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡涛酗,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出偷厦,到底是詐尸還是另有隱情商叹,我是刑警寧澤,帶...
    沈念sama閱讀 34,276評論 4 329
  • 正文 年R本政府宣布只泼,位于F島的核電站剖笙,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏请唱。R本人自食惡果不足惜弥咪,卻給世界環(huán)境...
    茶點故事閱讀 39,882評論 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望十绑。 院中可真熱鬧聚至,春花似錦、人聲如沸本橙。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,740評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至坦报,卻和暖如春库说,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背片择。 一陣腳步聲響...
    開封第一講書人閱讀 31,967評論 1 265
  • 我被黑心中介騙來泰國打工潜的, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人字管。 一個月前我還...
    沈念sama閱讀 46,315評論 2 360
  • 正文 我出身青樓啰挪,卻偏偏與公主長得像,于是被迫代替她去往敵國和親嘲叔。 傳聞我的和親對象是個殘疾皇子亡呵,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,486評論 2 348

推薦閱讀更多精彩內(nèi)容