|
你有沒有想過視頻網站是如何向你推薦電影的?你有沒有想過，有時候很多推薦的電影都是你最近喜歡看的? 所有這些都是推薦系統的神奇之處，它利用機器學習為您提供了非常準確的推薦。推薦系統背后的想法是，它基本上會瀏覽你過去看過的所有電影，并給它們打分，了解你喜歡什么，并推薦你接下來想看哪部電影。 讓我為你們詳細介紹一下這兩種著名的推薦系統;協同過濾和基于內容的過濾。 讓我們先來看看協同過濾方法: 協同過濾系統：協作過濾系統根據其他類似用戶過去喜歡的內容預測您喜歡的內容。 在這種方法中，算法遵循如下步驟 1、考慮用戶X 2、查找評分與X的評分“最相似”的其他用戶的集合N（用戶X的鄰域） 3、根據N中用戶的評分來估計X的評分 讓我們將一組四個用戶（U1，U2，U3，U4）視為表格的行和一組電影（M1，M2 ... M7）作為表格的列。想象一下從0到5的評分等級。我們有一些用戶為單元格中相應電影給出的評分，而有些單元格為空或缺少值。 如果我們仔細查看上表，我們會注意到U1和U2只共同評價了一部電影（M1），但評分相當高。這意味著用戶U1和UI具有相似的品味或興趣。盡管用戶U1和U3共同評價了兩部電影，但相當低。因此，我們可以直觀地得出結論，用戶U1和U3是不相似的，U1和U2是相似的。 SIM (U1, U2) > SIM (U1, U3) 為了計算兩個點U1和U2之間的相似度矩陣，我們使用余弦相似度： SIM (U1, U2) = cosine (RU1, RU2) 其中RU1，RU2分別是U1和U2的評分向量。 但是為了實現余弦相似，我們需要計算并填充空值。所以，我們不需要余弦相似度，我們需要通過減去行均值來歸一化評分，并使用所謂的“中心余弦相似度”。 下面是我們將評分歸一化后得到的表格: 如果您觀察到，您會注意到為特定用戶添加的所有評分均為零。這是因為評分現在以零為中心。高于零的評級顯示正或高評分，低于零的評分表示評分為負或低。現在，計算用戶U1，U2和U1，U3之間的“中心余弦相似度”，我們得到： SIM (U1, U2) = cosine (RU1, RU2) = 0.09, and SIM (U1, U3) = cosine (RU1, RU3) = -0.56 SIM (U1, U2) > SIM (U1, U3) 結果表明U1和U2高度相似，而U1和U3彼此非常相似。 既然我們已經對相似和不同的用戶進行了估算和分組，那么下一步就是為用戶進行評分預測。 評分預測： 假設用戶x具有評分向量Rx，并且我們需要為該用戶對項目i進行評分預測。使用中心余弦相似度，我們找到與用戶x最相似的一組k個用戶（具有評級項目i）的neighborhood N. 為此，我們采用加權平均值。在該方法中，對于鄰域N中的每個用戶y ，我們對項目i的y評分進行加權并將其乘以x和y的相似度。最后，我們通過將乘積除以兩者之間的相似度之和來對其進行歸一化x和y。結果給出了用戶x和項y的估計。 其中Sxy = SIM（x，y） 我們上面使用的技術有時也被稱為 User-User Collaborative Filtering，因為我們試圖找到具有類似興趣的其他用戶，以便為其他類似用戶做出預測。協同過濾的雙重方法是Item-Item協同過濾，其中不是從用戶開始，而是從項目i開始并找到與i類似的一組其他項目。然后我們根據類似項目的評分估算項目i的評分。我們可以使用與User-User模型相同的類似度量和預測方法。 讓我們考慮一組用戶U1，U2 ... U12作為表的列和一組電影M1，M2 ... M6作為表的行。 黃色單元格具有已知的評分（在1至5的范圍內），而白色未評分。我們的目標是通過用戶5（U5）找到電影1（M1）的評分。第一步是找到與M1類似的其他電影。為了計算相似度，我們使用Pearson Correlation技術，它類似于我們之前使用的Centered Cosine技術。因此，我們獲取所有電影并計算它們各自的中心余弦距離并將它們列入M1中。 如果我們考慮與M1具有正中心余弦相似性的電影，我們在鄰域N中有兩個鄰居，即N = 2。使用與用戶 - 用戶協作過濾相同的方法， 我們計算M1和M3之間以及M1和M6之間的相似性。我們得到： SIM（M1，M3）= 0.14，SIM（M1，M6）= 0.59 采用加權平均值（使用前面提到的公式），我們發現電影M1的用戶U1的預測評級是2.6。 現在我們已經學習了Collaborative Filtering，讓我們深入了解基于內容的推薦系統。 基于內容的推薦系統：基于內容的推薦系統根據您過去喜歡的內容預測您喜歡的內容。 上圖顯示了基于內容的推薦系統的基本行動計劃。我們在以下幾點解釋了它：
現在我們有了用戶和Item Profile，接下來的任務就是向用戶推薦某些item。
|
|
|
