随笔分类 -  推荐系统

《推荐系统实践（项亮）》读书笔记
KDTree详解及java实现
摘要：本文内容基于An introductory tutoril onkd-trees1.KDTree介绍KDTree根据m维空间中的数据集D构建的二叉树，能加快常用于最近邻查找（在加快k-means算法中有应用）。其节点具有如下属性（对应第5节中的程序实现）：非叶子节点（不存储数据）：partition... 阅读全文
posted @ 2015-04-28 23:27 porco 阅读(6290) 评论(3) 推荐(1)
加入商品分类信息，考虑用户所处阶段的 图模型 推荐算法 Rws(random walk with stage)
摘要：场景：一个新妈妈给刚出生的宝宝买用品，随着宝宝的长大，不同的阶段需要不同的物品。这个场景中涉及到考虑用户所处阶段，给用户推荐物品的问题。如果使用用户协同过滤，则需要根据购买记录，找到与用户处于同一阶段的用户。不加入分类信息，单纯使用物品信息，则可能因为买了不同牌子的尿布，而判断为非相似用户，所以加入... 阅读全文
posted @ 2015-04-26 23:55 porco 阅读(753) 评论(0) 推荐(0)
用户标签
摘要：代码：用户标签通过标签将用户和物品联系起来标签的作用：1.物品相关：物品的属性（时间，创作者等）2.用户相关：用户对物品的看法、任务（待读等）算法：1.简单算法（推荐用户常用标签下的热门物品） 计算用户对物品的喜好 $p(u,i)=\sum_b \frac{n_{u,b}}{log(1+n_b^{(... 阅读全文
posted @ 2015-04-24 08:58 porco 阅读(816) 评论(0) 推荐(0)
LDA Gibbs Sampling
摘要：注意：$\alpha$和$\beta$已知，常用为（和LDA EM算法不同）1. 为什么可用LDA模型求解的目标为得到$\phi$和$\theta$假设现在已知每个单词对应的主题$z$，则可以求得$\theta$的后验分布，求期望得到$E(\theta)$作为每份文档的主题$E(\theta_{mk... 阅读全文
posted @ 2015-04-23 10:52 porco 阅读(558) 评论(0) 推荐(0)
LDA(latent dirichlet allocation)
摘要：1.LDA介绍LDA假设生成一份文档的步骤如下：模型表示：单词w：词典的长度为v，则单词为长度为v的，只有一个分量是1，其他分量为0的向量 $(0,0,...,0,1,0,...,0,0)$文档W: 单词的组合，$(w_1,w_2,...,w_N)$，可以看成是 $v*N$ (词典长度*单词个... 阅读全文
posted @ 2015-04-17 16:56 porco 阅读(467) 评论(0) 推荐(0)
对物品进行反馈 代码
摘要：# coding=gbk'''选择用户反馈的物品将评分>3定义为喜欢'''import pandas as pdimport numpy as npimport copy#获取区分度def getDiff(userRates,movie): like=dict() dislike=dic... 阅读全文
posted @ 2015-04-13 13:16 porco 阅读(332) 评论(0) 推荐(0)
根据用户注册信息推荐 代码部分
摘要：代码1：# coding=gbk'''数据集：BX-Users.csv，包含用户的ID、位置和年龄。BX-Books.csv，包含图书的ISBN、标题、作者、发表年代、出版社和缩略。BX-Book-Ratings.csv， 包含用户对图书的评分信息。比较两种p(f,i)两种定义方式，给[年龄50]两... 阅读全文
posted @ 2015-04-13 10:26 porco 阅读(581) 评论(0) 推荐(0)
冷启动问题概述
摘要：定义：在开始阶段，没有大量用户数据的情况下，进行个性化推荐的问题。分类对策(提供非个性化推荐-热门推荐)用户冷启动-对新用户进行推荐A1.利用新用户的注册信息进行推荐 2.导入用户社交网站信息A3.要求用户对一些物品进行反馈物品冷启动-将新物品推荐给用户B1.利用物品的内容信息进行推荐系统冷启动-在... 阅读全文
posted @ 2015-04-13 10:25 porco 阅读(535) 评论(0) 推荐(0)
概率图模型
摘要：算法思想：1.将用户对物品的反馈记录，转换为2分图2.使用随机游走算法，计算从用户节点u到物品节点i的概率，作为用户对物品的喜好（2分图）例子:数据集2分图AaAbBaBcCb（随机游走）分析：比如从A点出发，每一步，有$\alpha$的概率继续往下走，$1-\alpha$的概率返回A如果将所在位置... 阅读全文
posted @ 2015-04-13 09:49 porco 阅读(484) 评论(0) 推荐(0)
LFM 隐语义模型
摘要：隐语义模型：物品 表示为长度为k的向量q（每个分量都表示 物品具有某个特征的程度）用户兴趣 表示为长度为k的向量p（每个分量都表示 用户对某个特征的喜好程度）用户u对物品i的兴趣可以表示为 其损失函数定义为- 使用随机梯度下降，获得参数p,q负样本生成：对于只有正反馈信息（用户收藏了，关注了... 阅读全文
posted @ 2015-04-09 21:13 porco 阅读(2980) 评论(0) 推荐(0)
item Collaborative Filtering
摘要：算法步骤：1.计算物品相似度2.根据用户购买记录，推荐相似物品物品相似度定义：A. 购买i的人里面，有多少比例购买了j 缺点（推荐系统需要能挖掘长尾信息，此处若j很热门，则w趋向于很大，则买了i的人都会被推荐j，热门商品更加热门）B. 在A的基础上，加入了对热门物品j的惩罚C. 活跃用户的贡献度应该... 阅读全文
posted @ 2015-04-09 09:20 porco 阅读(315) 评论(0) 推荐(0)
推荐系统评测
摘要：好的推荐系统:三赢 用户-找到自己感兴趣的东西 商家-增加了销量 网站-得到好的发聩，提升了推荐质量；提高了收入推荐系统评测方法：优点缺点1.离线实验只需要数据集，不需要用户参与，不需要实际系统；速度快，可测试大量算法；无法计算商业上关心的指标，如点击率、转化率等2.调查问卷可获得用户主管感受... 阅读全文
posted @ 2015-04-09 09:02 porco 阅读(514) 评论(0) 推荐(0)
user Collaborative Filtering
摘要：---恢复内容开始---算法步骤：1.计算用户相似度2.对于特定用户，选出k个最相似的用户，将这些用户评价过的前k好的物品推荐给该用户用户相似度 度量：其中|N(u)|表示用户u评价过的物品的数量，|N(i)|为物品i的流行度，即物品i被多少用户评价过这里物品流行度越高，它在相似度的度量上作用越小（... 阅读全文
posted @ 2015-04-09 08:32 porco 阅读(270) 评论(0) 推荐(0)