ICode9

精准搜索请尝试: 精确搜索
首页 > 编程语言> 文章详细

传统推荐算法

2022-02-28 22:00:09  阅读:193  来源: 互联网

标签:推荐 用户 传统 算法 过滤 物品 FM


传统推荐算法中,主要包含:协同过滤算法 (CF)、基于内容的推荐、混合推荐。
此外,还有常用的隐因子模型,因子分解机 (FM)。
那么它们都有什么区别呢?

协同过滤算法

(物以类聚,人以群分)

算法
协同过滤算法包含两类:基于用户的协同过滤算法、基于物品的协同过滤算法。
(1)基于用户的协同过滤算法,
找到与该用户相似的其他用户,并把其他用户交互的物品推荐给该用户。

(2)基于物品的协同过滤算法,
找到与该用户交互物品相似的其他物品,并推荐给该用户。

可以发现,协同过滤算法的中心思想是计算相似度,在一张庞大的用户-物品交互矩阵(评分矩阵)中,矩阵中的值是用户对物品的打分(rating)。当以用户为主,各个用户向量的长度为物品的个数,值为各个物品的rating,计算各个用户的相似度;当以物品为主,各个物品向量的长度为用户的个数,值为交互过该物品的用户对其的rating,计算各个物品的相似度。

缺点

  1. 针对用户冷启动、物品冷启动,由于没有历史交互记录,无法通过协同过滤算法进行推荐。
  2. 当用户/物品增多的时候,同时需要维护一张巨大的用户/物品相似度列表,算法的计算成本也在增加。

计算相似度的方法有很多,比如可以使用余弦相似度找到相似用户/物品。在实现上可以使用sklearnfaiss等工具包进行相似度的计算。

基于内容的推荐

基于内容的推荐,顾名思义是根据物品的内容进行推荐,适用于文本领域,比如新闻推荐等。
但实际上,针对非文本领域的推荐,也可以使用基于内容的推荐,但是核心在于构建用户/物品的画像,根据该画像来找相似用户/物品,即根据用户/物品本身包含的特征,找到相似的用户/物品,来进行推荐。(可以发现基于内容的推荐,同样需要计算相似度,只不过计算相似度的内容变成了用户/物品的特征,而不是交互的评分)
在这里插入图片描述

混合推荐

是多角度、多因素的综合考量下的算法。

隐因子模型

(LFM,Latent Factor Model)

上述协同过滤已经知道可以根据用户-物品交互的评分矩阵计算相似度进行推荐,评分矩阵中存在用户-物品之间没有交互记录的空值,如何将这些空值进行补充,即预测用户对该物品的打分,可以使用LFM模型,LFM模型认为用户对某物品的交互出于多个隐性因子的考量,通过将评分矩阵(用户×物品)分解为用户隐因子矩阵(用户×隐因子)和物品隐因子矩阵(隐因子×物品)的形式。

因子分解机 (FM)

FM(Factorization Machine)主要目标是:解决数据稀疏的情况下,特征怎样组合的问题。

  • 二阶组合特征
  • FM有一个衍生算法FFM(Field-aware FM),大概思路是将特征进行分组,学习出更多的隐式向量V,FM可以看做FFM只有一个分组的特例。FFM复杂度比较高,比较适合高度稀疏数据;而FM可以应用于非稀疏数据,更加通用。

参考:

  1. 协同过滤之冷启动:https://www.jianshu.com/p/03bf81f9f6d9
  2. 推荐系统(4)-基于内容的推荐系统:https://zhuanlan.zhihu.com/p/98295397
  3. 推荐系统-隐因子模型(LFM):https://blog.csdn.net/sinat_22594309/article/details/86576757
  4. 前深度学习时代–从协同过滤CF到因子分解机模型FM(附FM模型python实现)。:https://zhuanlan.zhihu.com/p/160244758

标签:推荐,用户,传统,算法,过滤,物品,FM
来源: https://blog.csdn.net/qq_31225201/article/details/123192416

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。

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有