标签:product 1.0 0.29 0.31 product2 0.12 召回 als 个性化
-
最小二乘法
-
利用矩阵分解的结果无限逼近现有数据,得到隐含的特征
-
利用隐含的特征预测其余结果
- 表一:
product1 | product2 | product3 | |
user1 |
3.0 | ||
user2 | 1.0 | 1.0 | |
user3 | 3.0 | ||
user4 | 1.0 |
假设有4个用户,对应3个产品,加入user2被采集到对product2产生了一次兴趣,则记录为1.0(只记录对product浏览一次,只记uv,不计pv,多次浏览product2也只记录1.0)
假设user1 对product1产生了一次浏览,并且不止于此,而且产生了加入购物车,购买等行为,则记录为3.0
我们推荐系统做的就是预测user,挖掘潜在的需求,而不是推荐已经打分的product,也就是被打0分的矩阵中的product
这个就是我们als算所要做的事情
表二:
f1 | f2 | f3 | f4 | f5 | |
user1 |
0.21 | 0.31 | 0.01 | 0.29 | 0.89 |
user2 | 0.29 | 0.22 | 0.54 | 0.78 | 0.12 |
user3 |
0.12 | 0.67 | 0.31 | 0.64 | 0.11 |
user4 | 0.12 | 0.98 | 0.56 | 0.45 | 0.43 |
表三:
f1 | f2 | f3 | f4 | f5 | |
product1 |
0.21 | 0.31 | 0.01 | 0.29 | 0.89 |
product2 | 0.29 | 0.22 | 0.54 | 0.78 | 0.12 |
product3 |
0.12 | 0.67 | 0.31 | 0.64 | 0.11 |
f1,f2表示特征,中间的数字则表示该用户或者该产品的特征打分,先不用管怎么算出来,这里先理解原理
对这两个表做一个矩阵的相乘,公式:v'=UP^t
就是表三和表二相乘相加,就会得出表一,这个就是als算法的原理,因为无限逼近,表一空的数值,就会被算出来
即:
- 将user矩阵和product矩阵的转置相乘
- 获取无限逼近于真实的数据的分数
- 同时预测其余节点的分数,排序后输出
标签:product,1.0,0.29,0.31,product2,0.12,召回,als,个性化 来源: https://www.cnblogs.com/zhaisd/p/15611904.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。