最近邻居推荐系统原理和基于用户的评分预测推荐
2017-02-21 23:58
288 查看
最近邻居推荐是最直观的一种推荐,
也就是基于用户的协同过滤
和基于物品的协同过滤:根据用户的历史行为推荐给另外的用户,也就是看物品之间的相似度,那么就是基于物品的协同过滤
评分可以是显示给的,也可以是隐示,也可以是很多特征考虑之后打的分
在评分预测中,有两个问题
1,比如june用户有缺失值,那么怎么获取最近邻居,也就是topN的邻居,这里涉及相似度计算
2,怎么预测
(一:首先得到用户的邻居,然后我们根据用户邻居对该item的评分的均值来作为该用户对物品的预测评分
二:刚才只考虑了邻居的评分,但是我们没考虑用户跟该用户的相似度有多大,所以我们还是要加上用户之间的相似度)
用户表达同一偏好的表达有可能是不同的,也就是说你评了5分你认为5分很高了,但是我认为5分很低,或者说我认为你的5分在我这里只能是3分。
也就是说用户之间的偏好是不同的。
为了避免这种情况产生的误差,我们可以对每个邻居的评分进行正则化,就比如我们得到了邻居评分的均值,然后我们给评分打上权重,就好了。(也就是缩放数据尺度)
说白了就一句话,用邻居用户的评价的分值,来预测用户对物品的评价分值。
也就是基于用户的协同过滤
和基于物品的协同过滤:根据用户的历史行为推荐给另外的用户,也就是看物品之间的相似度,那么就是基于物品的协同过滤
评分可以是显示给的,也可以是隐示,也可以是很多特征考虑之后打的分
在评分预测中,有两个问题
1,比如june用户有缺失值,那么怎么获取最近邻居,也就是topN的邻居,这里涉及相似度计算
2,怎么预测
(一:首先得到用户的邻居,然后我们根据用户邻居对该item的评分的均值来作为该用户对物品的预测评分
二:刚才只考虑了邻居的评分,但是我们没考虑用户跟该用户的相似度有多大,所以我们还是要加上用户之间的相似度)
用户表达同一偏好的表达有可能是不同的,也就是说你评了5分你认为5分很高了,但是我认为5分很低,或者说我认为你的5分在我这里只能是3分。
也就是说用户之间的偏好是不同的。
为了避免这种情况产生的误差,我们可以对每个邻居的评分进行正则化,就比如我们得到了邻居评分的均值,然后我们给评分打上权重,就好了。(也就是缩放数据尺度)
说白了就一句话,用邻居用户的评价的分值,来预测用户对物品的评价分值。
相关文章推荐
- 推荐系统(recommender systems):预测电影评分--构造推荐系统的一种方法:基于内容的推荐
- 【推荐系统】协同过滤之基于用户的最近邻推荐
- 推荐系统-基于用户的最近邻协同过滤算法(MovieLens数据集)
- 推荐系统-基于用户的最近邻协同过滤算法(MovieLens数据集)
- 推荐系统入门(协同过滤 基于内容 基于用户 基于项目 )
- 推荐系统--基于用户的协同过滤算法
- 《推荐系统实战》-基于用户的系统过滤推荐
- 推荐系统--基于用户的协同过滤算法
- Netflix推荐系统:从评分预测到消费者法则
- 在RHEL5下构建基于系统用户的Postfix邮件系统 推荐
- 推荐系统实践--基于用户的协同过滤算法
- Netflix推荐系统:从评分预测到消费者法则
- 数据挖掘之推荐系统实践--基于用户的协同过滤算法
- 推荐系统—影视评分预测
- 基于用户行为的推荐系统
- 推荐系统—影视评分预测
- Postfix-2.11+Dovecot-2.0.9+MySQL+Cyrus-sasl+Extmail-1.2实现基于虚拟用户的邮件系统架构 推荐
- 基于用户的协作性过滤推荐系统(找出相似的电影)
- 推荐系统—影视评分预测(续)
- RedHat 5.4+ Postfix +Extmail实现基于虚拟用户的邮件系统(一) 推荐