推薦系統(tǒng)實踐-評分預(yù)測問題

評分預(yù)測問題基本通過離線試驗進行研究惩猫。對于測試集中的一對用戶和物品(u,i),用戶u對物品i的真實評分是rui,而推薦算法預(yù)測的用戶對物品i的評分是rui(一個小帽子...見圖),那么一般用均方根誤差RMSE度量預(yù)測的精度:


評分預(yù)測的目的就是找到最好的模型最小化測試集的
評分預(yù)測算法
平均值
1.全局平均值
在平均值在最簡單的是全局平均值,他的定義為訓(xùn)練集中所有評分記錄的評分平均值:

2.用戶評分平均值
用戶u的評分平均值定義為訓(xùn)練集中所有評分的平均值
3.物品評分平均值
物品i的評分平均值定義為物品i在訓(xùn)練集中接受的所有評分的平均值
4.用戶分類對物品分類的平均值

除了這3種特殊的平均值纵装,在用戶評分數(shù)據(jù)上還可以定義很多不同的分類函數(shù):
①用戶和物品的平均分
②用戶活躍度和物品流行度
基于鄰域的方法
基于用戶的領(lǐng)域算法和基于物品的鄰域算法都可以應(yīng)用到評分預(yù)測中征讲。基于用戶的鄰域算法認為預(yù)測一個用戶對一個物品的評分诗箍,需要參考和這個用戶興趣相似的用戶對該物品的評分挽唉,即:

這里滤祖,S(u,k)適合用戶u興趣最相似的K個用戶的集合,N(i)是對物品i評過分的用戶集合瓶籽,rvi是用戶v對物品i的評分,rv帽子是用戶v對他評過分的所有物品評分的平均值塑顺,可以使用皮爾遜系數(shù)計算:
g

基于物品的鄰域算法在預(yù)測用戶u對物品i的評分時严拒,會參考用戶u對和物品i相似的其他物品的評分,即:

3種余弦相似度:

隱語義模型與矩陣分解模型
1.傳統(tǒng)SVD模型
首先需要對評分矩陣中的缺失值簡答補全挤牛,然后使用SVD分解為如下形式:

然后取最大一些奇異值組成新對角矩陣种蘸。不過有很多缺點:
①實際系統(tǒng)缺失值過多
②計算復(fù)雜度高
2.Simon Funk的SVD分解
將評分矩陣分解為兩個低維矩陣P和Q相乘航瞭。SF認為,既然我們用RMSE作為評測指標(biāo)沧奴,那么如果能找到合適的P和Q來最小化訓(xùn)練集的預(yù)測誤差,那么應(yīng)該也能最小化測試集的預(yù)測誤差。SF重新定義損失函數(shù):

為了防止過擬合疮绷,可以加入正則化參數(shù)λ:

要最小化上面的損失函數(shù)冬骚,我們可以采用隨機梯度下降法:

然后根據(jù)隨機梯度下降法,需要將參數(shù)沿著最速下降方向向前推進只冻,因此可以得到如下遞推公式:

其中α是學(xué)習(xí)速率(learning rate),它的取值需要反復(fù)試驗獲得
3.加入偏置項后的LFM
實際情況下喜德,一個評分系統(tǒng)有些固有屬性和用戶物品無關(guān)舍悯,而用戶也有屬性和物品無關(guān),物品也有屬性和用戶無關(guān)萌衬。因此秕豫,有人提出了另一種LFM預(yù)測公式如下:

新增加的三項作用如下:
μ:訓(xùn)練集中所有記錄的評分的全局平均數(shù)
bu:用戶偏置(user bias)項。這一項表示了用戶的評分習(xí)慣中和物品沒有關(guān)系的那種因素
bi:物品偏置(item bias)項呵晚。這一項表示了物品接受的評分中和用戶沒有什么關(guān)系的因素
增加的3個參數(shù)中沫屡,只有bu和bi是要通過機器學(xué)習(xí)訓(xùn)練出來的,同樣可以求導(dǎo)金矛,然后用梯度下降法來求解這兩個餐參數(shù)。
4.考慮鄰域影響的LFM
Koren提出將用戶歷史評分的物品加入LFM模型中勺届,稱為SVD++
首先對矩陣分解免姿,將參數(shù)個數(shù)降低到2nF個額,模型如下:

大大降低了參數(shù)的數(shù)量和存儲空間故俐。再進一步紊婉,我們可以將前面的LFM和上面的模型相加,從而得到如下模型:

Koren又提出槽片,為了不增加太多參數(shù)造成過擬合,可以令x=q:

加入時間信息
1.基于鄰域模型融合時間信息
TItemCF算法碌廓,通過如下公式預(yù)測用戶在某一個時刻會給物品什么評分:

△t=tui-tuj是用戶對物品i和物品j的評分差谷婆,wij是物品i和j的相似度勃刨,f是考慮了時間衰減后的相似度函數(shù),它的主要目的是提高用戶最近的評分行為對推薦結(jié)果的影響廷区,BigChaos在模型中采用了如下的f:

δ(x)是sigmoid函數(shù)贾铝,目的是將相似度壓縮到(0,1)區(qū)間中垢揩。從上面的定義可以發(fā)現(xiàn),隨著△t增加叁巨,f(wij,△t)會越來越小锋勺,也就是說用戶很久之前的行為對預(yù)測用戶當(dāng)前的評分影響越來越小
2.基于矩陣分解的模型融合時間信息
在引入時間信息以后,用戶評分矩陣不再是一個二維矩陣庶橱,而是三維矩陣苏章。不過我們可以使用前面的BiasSVD模型分解
模型融合
1.模型級聯(lián)融合
從書中描述發(fā)現(xiàn),級聯(lián)融合很像Adaboost算法枫绅。和Adaboost算法類似撑瞧,該算法每次產(chǎn)生一個新模型,按照一定的參數(shù)加到舊模型上去预伺,從而使訓(xùn)練集誤差最小化酬诀。不同的是,這里每一次生成新模型時并不對樣本集采樣瞒御,針對那些預(yù)測錯的樣本肴裙,而是每次每次都還是利用全樣本進行預(yù)測,但每次使用的模型都有區(qū)別
2.模型加權(quán)融合
一般來說蜻懦,評分預(yù)測問題的解決需要在訓(xùn)練集訓(xùn)練K個不同的預(yù)測器宛乃,然后在測試集上作出預(yù)測。但是征炼,如果我們繼續(xù)在訓(xùn)練集上融合K個預(yù)測器谆奥,得到線性加權(quán)系數(shù),就會造成過擬合的問題宰译。因此擂仍,在模型融合時一般采用如下方法:
①假設(shè)數(shù)據(jù)集已經(jīng)被分為訓(xùn)練集A和B,那么首先需要將訓(xùn)練集A按照相同的分隔方法分為A1和A2逢渔,其中A2的生成方法和B的生成方法一致肃廓,且大小相似;
②在A1上訓(xùn)練K個不同的預(yù)測器铣鹏,在A2上作出預(yù)測哀蘑,因為我們知道A2上的真實評分值葵第,所以可以在A2上利用最小二乘法計算出線性融合系數(shù)αk合溺;
③在A上訓(xùn)練K個不同的預(yù)測器,在B上作出預(yù)測哮奇,并且將這K個預(yù)測器在B上的預(yù)測結(jié)果按照已經(jīng)得到的線性融合系數(shù)加權(quán)融合睛约,以得到最終的預(yù)測結(jié)果
后記
-確定商業(yè)目標(biāo)和用戶滿意度之間的關(guān)系
-忘記冷啟動問題
-不要為了推薦而推薦
-不要浪費時間計算相似興趣的用戶辩涝,可以直接利用社會網(wǎng)路數(shù)據(jù)
-選擇合適的用戶反饋方式

最后編輯于
?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棍丐,隨后出現(xiàn)的幾起案子沧踏,更是在濱河造成了極大的恐慌,老刑警劉巖秘案,帶你破解...
    沈念sama閱讀 211,639評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件潦匈,死亡現(xiàn)場離奇詭異茬缩,居然都是意外死亡,警方通過查閱死者的電腦和手機未舟,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評論 3 385
  • 文/潘曉璐 我一進店門掂为,熙熙樓的掌柜王于貴愁眉苦臉地迎上來勇哗,“玉大人,你說我怎么就攤上這事欲诺∷背桑” “怎么了酌呆?”我有些...
    開封第一講書人閱讀 157,221評論 0 348
  • 文/不壞的土叔 我叫張陵哆窿,是天一觀的道長殴边。 經(jīng)常有香客問我,道長锤岸,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,474評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮蛋铆,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘留特。我一直安慰自己玛瘸,他們只是感情好,可當(dāng)我...
    茶點故事閱讀 65,570評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著渺绒,像睡著了一般。 火紅的嫁衣襯著肌膚如雪搜变。 梳的紋絲不亂的頭發(fā)上针炉,一...
    開封第一講書人閱讀 49,816評論 1 290
  • 那天篡帕,我揣著相機與錄音贸呢,去河邊找鬼拢军。 笑死,一個胖子當(dāng)著我的面吹牛固蛾,可吹牛的內(nèi)容都是我干的度陆。 我是一名探鬼主播,決...
    沈念sama閱讀 38,957評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼趾诗,長吁一口氣:“原來是場噩夢啊……” “哼恃泪!你這毒婦竟也來了犀斋?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,718評論 0 266
  • 序言:老撾萬榮一對情侶失蹤糕非,失蹤者是張志新(化名)和其女友劉穎球榆,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體衡招,經(jīng)...
    沈念sama閱讀 44,176評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡始腾,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 36,511評論 2 327
  • 正文 我和宋清朗相戀三年空执,在試婚紗的時候發(fā)現(xiàn)自己被綠了辨绊。 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。...
    茶點故事閱讀 38,646評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡宣鄙,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出苇羡,到底是詐尸還是另有隱情鼻弧,我是刑警寧澤,帶...
    沈念sama閱讀 34,322評論 4 330
  • 正文 年R本政府宣布绣硝,位于F島的核電站撑刺,受9級特大地震影響握玛,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜冕屯,卻給世界環(huán)境...
    茶點故事閱讀 39,934評論 3 313
  • 文/蒙蒙 一安聘、第九天 我趴在偏房一處隱蔽的房頂上張望瓢棒。 院中可真熱鬧,春花似錦脯宿、人聲如沸连霉。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,755評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽歉井。三九已至,卻和暖如春谍夭,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背紧索。 一陣腳步聲響...
    開封第一講書人閱讀 31,987評論 1 266
  • 我被黑心中介騙來泰國打工珠漂, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人荞彼。 一個月前我還...
    沈念sama閱讀 46,358評論 2 360
  • 正文 我出身青樓鸣皂,卻偏偏與公主長得像暮蹂,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子仰泻,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,514評論 2 348

推薦閱讀更多精彩內(nèi)容