4.2.2 基於用戶的協同算法
- 給每個商品建立用戶的矩陣
- 計算用戶之間的相似度
- 取和當前用戶最相似的用戶,把他們購買的物品推薦給當前用戶
4.2.3 基於用戶協同和基於物品協同的區別
- 從推薦的場景考慮
ItemCF | UserCF |
---|---|
基於物品相似度 | 基於用戶相似度 |
用戶數>>商品數 | |
購物網站、圖書、電子商務、電影網站 | 新聞、博客、社交網絡 |
個性化 | 關注社會化、興趣小組、多維度 |
內容相對穩定 | 內容更新頻率高 |
有推薦理由 | |
多樣性強、新穎性、發現長尾 | 推薦熱門 |
4.2.4 基於矩陣分解的推薦方法
- 矩陣分解
特徵值、特徵向量
左邊:矩陣是一個的矩陣,是一個維向量
右邊:則是矩陣的一個特徵值,是矩陣的特徵值對應的特徵向量。
是特徵值
是特徵向量
特徵向量的幾何含義是:特徵向量通過方陣變換隻進行縮放,而方向並不會變化。
如果可以求得矩陣的個特徵值,則可以得到對角矩陣 ,
那麼矩陣的特徵分解:
其中,是這個特徵向量組成的維矩陣 - 奇異值
如果不是方陣,採用的分解方法是奇異值分解。SVD
假設是一個的矩陣,那麼的特徵分解是:
這裏需要了解一下相關內容