信息内容安全课件-第4章3-推荐系统.pptx

信息内容安全;推荐系统;推荐系统概述;推荐系统概述;推荐系统与搜索引擎的区别;推荐系统概述;推荐系统的应用：电商推荐案例——亚马逊;推荐系统的应用：社交推荐案例——豆瓣;推荐系统的概念;推荐系统的概念;用户建模;用户建模;用户建模;推荐算法;基于人口统计学的推荐;协同过滤算法;协同过滤算法;基于邻域的协同过滤算法;基于邻域的协同过滤算法;基于邻域的协同过滤算法;基于邻域的协同过滤算法;基于用户的协同过滤算法（UserCF）;用向量夹角的余弦值来表示两个向量的相似程度， 0度角(表示两人完全一致)的余弦是1， 180度角(表示两人截然相反)的余弦是-1。;把三首歌想象成三维空间的三个维度，《最炫民族风》是x轴，《晴天》是y轴， 《Hero》是z轴，对每首歌的喜欢程度即该维度上的坐标，并且对喜欢程度做量化(比如： 单曲循环=5, 分享=4, 收藏=3, 主动播放=2 , 听完=1, 跳过=-1 , 拉黑=-5 )。 那么每个人的总体口味就是一个向量，A君是(3,-1,-1)，B君是(5,1,-5)，C君是(- 5,3,3);ItemCF算法以物为本，直接建立各商品之间的相似度关系矩阵。 最简单的就是斜率=1 (Slope One)算法。如，amazon发明了‘买了这个商品的人，也买了xxx’。;优点： 该算法很简单, 易于实现, 执行效率高，在只有很少数据的时候也能得到一个相对准确的推荐, 这一点可以解决Cold Start的问题。 缺点： 该算法的效果不是很理想。因为，该算法总是把用户的口味和大众的平均口味作对等，推荐出来的东西很难是非常个性化的。很容 易让很多用户的推荐结果趋向一致。;假设有一组用户，他们表现出了对一组图书的喜好。用户对一本图书的喜好程度越高，就会给其更高的评分，范围是从1到5。通过一个矩阵来展示它，行代表用户，列代表图书。使用余弦相似性，把第一个用户和其他五个用户进行比较，就能直观地看到他和其他用户的相似程度。缺省值为0。;更一般地，可以计算出每两个用户之间的相似性，并且在相似矩阵中表示它们。 这是一个对称矩阵。单元格的背景颜色表明用户相似度的高低，更深的红色表示他们之间更相似。;在一般情况下，为一个给定用户生 成推荐，意味着找到与其最相似的用户，根据??户相似度对这些相似用户欣赏的 项进行加权。 以第一个用户为例。首先，找到与第一个用户最相似的另一用户，删除第一个用户已经评价过的书籍，给最相似用户正在阅读的书籍加权，然后计算出总和。 假设n=2，表示为了产生推荐，需要找出与目标用户最相似的两个用户。这两个用户分别是2和3。由于第一个用户已经评价了1和5，所产生的推荐书是3 （4.5分）和4（3分）。;类似于UserCF，在ItemCF中，也是计算相似矩阵（商品而非用户的相似性）。要计算一本书和其它书的相似性，使用评价过一本书的用户向量（或数组）表示这本图书，并比较他 们的余弦相似性函数。对于第一本书来说，与之最类似的是第五本书，因为评价他们的用 户大致相同。第三本书与第一本书有两个相同的评价用户，第四和第二本书与之只有一个 共同评价用户，而最后一本书则不认为是相似的，因为它与第一本书没有共同的评价用户。;右图表示所有图书之间相似度的相似矩阵。在ItemCF中，我们采用被用户评价过的项， 推荐与之最相似的项。对于第一个用户，首先将被推荐第三本书，其次是第六本书。且只推荐和用户已经评价过的图书最相似的前n本书。;基于邻域的协同过滤算法;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;基于内容的推荐;混合推荐方法;基于关联规则的推荐;基于效用的推荐;基于知识的推荐;主要推荐算法对比;推荐系统评测;推荐系统评测;推荐系统的评判标准;推荐系统的评判标准;推荐系统的评判标准;推荐系统的冷启动问题;推荐系统的冷启动问题;冷启动的解决方案;冷启动的解决方案;冷启动的解决方案;冷启动的解决方案;Thank you!信息内容安全;推荐系统;推荐系统概述;推荐系统概述;推荐系统与搜索引擎的区别;推荐系统概述;推荐系统的应用：电商推荐案例——亚马逊;推荐系统的应用：社交推荐案例——豆瓣;推荐系统的概念;推荐系统的概念;用户建模;用户建模;用户建模;推荐算法;基于人口统计学的推荐;协同过滤算法;协同过滤算法;基于邻域的协同过滤算法;基于邻域的协同过滤算法;基于邻域的协同过滤算法;基于邻域的协同过滤算法;基于用户的协同过滤算法（UserCF）;用向量夹角的余弦值来表示两个向量的相似程度， 0度角(表示两人完全一致)的余弦是1， 180度角(表示两