基于用户的协同过滤
2011-12-06 13:53
141 查看
步骤:
1. 找出与当前用户最相似的k个用户
2. 计算出所有被这k个用户购买的商品,并且为每个商品赋一个权重
3. 根据权重排序,并且过滤当前用户已经买过的商品
关键在于如何找出最相似的用户,以及如何给商品权重。相似用户可以用余弦夹角计算距离。商品权重可以看以往的购买历史之类的。
缺点:
1. 计算复杂度高
2. 实时要求达不到
1. 找出与当前用户最相似的k个用户
2. 计算出所有被这k个用户购买的商品,并且为每个商品赋一个权重
3. 根据权重排序,并且过滤当前用户已经买过的商品
关键在于如何找出最相似的用户,以及如何给商品权重。相似用户可以用余弦夹角计算距离。商品权重可以看以往的购买历史之类的。
缺点:
1. 计算复杂度高
2. 实时要求达不到
相关文章推荐
- 【Machine Learning】Mahout基于协同过滤(CF)的用户推荐
- 基于用户的协同过滤
- 基于用户的协同过滤(user-based CF)推荐系统【2】
- 【Machine Learning】Mahout基于协同过滤(CF)的用户推荐
- 基于用户的协同过滤(UserBased Recommendation)
- python3实现简单的基于用户的协同过滤
- 协同过滤:基于用户的协同过滤itemCF
- 基于用户相似性的协同过滤——Python实现
- 个性化推荐基本算法及源码分析(一)— 基于用户的协同过滤
- python3实现基于用户的协同过滤
- 基于用户的协同过滤(user-based CF)推荐系统【1】
- 基于用户的协同过滤(user-based collaborative filtering)
- 推荐系统(基于用户的协同过滤)入门总结
- 基于淘宝点击及购买记录的口碑商家推荐——基于用户的协同过滤
- 【推荐系统实战】:C++实现基于用户的协同过滤(UserCollaborativeFilter)
- 推荐系统 基于用户和基于物品的协同过滤 (推荐系统实践读书笔记)
- 【推荐系统实战】:C++实现基于用户的协同过滤(UserCollaborativeFilter)
- 推荐系统入门(协同过滤 基于内容 基于用户 基于项目 )
- shrio教程初级(二)基于url拦截-用户认证
- win7基于mahout推荐之用户相似度计算