当前位置:

首页 > 编程开发 > 什么是推荐系统以及其基本原理使用案例

什么是推荐系统以及其基本原理使用案例

推荐系统主要分为基于内容与协同过滤两类。基于内容的方法根据物品特征与用户历史评分预测喜好,解决商品冷启动但需特征工程。协同过滤通过用户或物品相似度进行推荐,无需领域知识,但存在冷启动与复杂度问题。

本文目录

    基于内容的推荐系统

    先来看基于内容的推荐。简单来说,就是根据每部电影本身的内容特征,再结合用户已经评过分的电影,去判断用户对每部电影的喜好程度。最后,预测用户对那些还没看过的电影会打几分。

    什么是推荐系统以及其基本原理使用案例

    电影内容矩阵X × 用户喜好矩阵θ = 电影评分表

    那么问题来了:用户喜好矩阵θ——也就是用户对不同类型电影的真实偏好——到底怎么求?

    这里需要引入代价函数:

    什么是推荐系统以及其基本原理使用案例

    什么是推荐系统以及其基本原理使用案例

    其中正则化项是为了防止过拟合。这个方案的优缺点也很明显:

    • 优点:

    (1)不存在商品冷启动问题——新商品一进来,只要内容特征清晰,就能直接被推荐;
    (2)可以明确告诉用户推荐的商品包含哪些属性,解释性强。

    • 缺点:

    (1)需要对内容进行透彻分析,特征工程的工作量不小;
    (2)很少能给用户带来惊喜,推荐结果偏保守;
    (3)存在用户冷启动问题——新用户没有历史评分,系统就无从下手。

    基于协同过滤的推荐系统

    接下来是协同过滤。思路是反过来:已知电影评分表和用户喜好矩阵θ,反向推导出电影内容矩阵X。然后把X和θ相乘,就得到了一个完整的电影评分预测表。

    什么是推荐系统以及其基本原理使用案例

    换句话说,基于协同过滤的电影推荐,是利用每个用户对不同类型电影的喜好程度,以及他们已经评过分的电影,去推断每部电影到底包含什么内容特征,进而预测用户对未看过的电影的打分。

    那么,电影内容矩阵X该怎么求解?同样有代价函数:

    什么是推荐系统以及其基本原理使用案例

    用户喜好矩阵θ的获取通常有两种方式:

    (1)通过在线问卷调查让用户填写对电影的评价。但问题是,不是所有用户都会配合,就算填了,也不一定靠谱;

    (2)更高效的做法是——同时求解电影内容矩阵X和用户喜好矩阵θ。注意看,前面两个代价函数的第一项其实是相同的,因此可以合并成一个公式,同时求解X和θ。这样做的好处是,只需要收集用户对电影的评分就够了。

    什么是推荐系统以及其基本原理使用案例

    目标就是最小化这个联合代价函数。通常随机初始化X和θ,然后通过梯度下降法或其他优化算法迭代求解。

    (1)基于item的协同过滤

    先算商品之间的相似度,然后根据相似度向用户推荐。比如用户买了硬盘,系统很可能推荐U盘——因为硬盘和U盘在功能上相似。这种方式只需要用户对商品的评分,第一步是计算商品之间的相似度。

    如何度量商品之间的相似度?

    什么是推荐系统以及其基本原理使用案例

    有了相似度,就可以预测用户对商品的评分:

    什么是推荐系统以及其基本原理使用案例

    :商品i与其他商品的相似度;
    :用户u对其他商品的评分;
    分母:与商品i相似的商品的相似度总和。

    这个公式的含义是:根据用户u对其他与商品i相似的商品的评分,来推断用户对商品i的评分。算出所有预测评分后,排序,挑出得分最高的商品推荐给用户。

    (2)基于用户的协同过滤

    基本思想:假设要对用户A做推荐,先找到与A相似的其他用户,看看他们买过什么,然后把那些商品推荐给A。这时需要度量用户之间的相似度,与基于item的协同过滤类似:

    什么是推荐系统以及其基本原理使用案例

    什么是推荐系统以及其基本原理使用案例:用户u对商品i的评分;
    什么是推荐系统以及其基本原理使用案例:用户u对这些商品评分的平均值。

    有了用户之间的相似度,就可以预测用户对商品的评分:

    什么是推荐系统以及其基本原理使用案例

    公式表示:根据与用户u相似的其他用户对商品i的评分,来推断用户u对商品i的评分。同样,算出所有预测评分后排序,挑出得分最高的几个商品推荐给用户。

    • 基于协同过滤推荐系统的优点:

    (1)能够根据各个用户的历史信息推断出商品的质量;
    (2)不需要对商品有任何专业领域的知识,通用性强。

    • 缺点:

    (1)冷启动问题——新用户或新商品加入时,缺乏历史数据;
    (2)gray sheep(灰色绵羊)——口味独特的用户很难找到相似群体;
    (3)协同过滤的复杂度会随着商品数量和用户数量的增加而显著增加;
    (4)同义词的影响——比如“电影”和“影片”被视为不同商品,但含义相同;
    (5)shilling attack(托攻击)——对竞争对手的商品刻意打低分,对自己的商品打高分,恶意操纵推荐结果。

    日常生活中,我们每个人其实都直接或间接接触过推荐系统,也享受过它带来的便利。关于推荐系统的基础原理就聊到这里。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发
    相关文章 更多
    利用PHP框架构建社交媒体推荐系统:个性化体验并增加互动
    利用PHP框架构建社交媒体推荐系统:个性化体验并增加互动

    本文介绍了如何使用PHP框架构建社交媒体推荐系统,以提供个性化体验。推荐系统包含5个步骤:选择PHP框架、设置数据模型、构建推荐算法、实现推荐引擎、集成推荐到页面。通过实施,社交媒体平台可以为用户提供个性化内容,提高用户参与度和满意度。

    如何使用Java编写一个基于机器学习的智能客户端推荐系统
    如何使用Java编写一个基于机器学习的智能客户端推荐系统

    随着人工智能的飞速发展,越来越多的公司和应用开始使用机器学习技术来提升用户体验和客户受益。在客户端应用程序中,构建一个智能推荐系统可以让用户更容易地发现和使用功能,并提升用户满意度。本文将介绍如何使用Java编写一个基于机器学习的智能客户端推荐系统,这个系统将会使用用户行为数据和协同过滤算法来提供个性化推荐服务。收集用户行为数据在搭建推荐系统前,首先需要收集

    如何使用 Go 语言实现高可拓展的推荐系统
    如何使用 Go 语言实现高可拓展的推荐系统

    在当今信息爆炸的时代,推荐系统越来越受到人们的关注和重视。推荐系统是一种人工智能技术,能为用户推荐个性化的内容和服务,极大地提高了用户体验和满意度。其中,如何实现一个高可拓展的推荐系统是十分关键的。在本文中,我们将探讨如何使用Go语言实现高可拓展的推荐系统。一、什么是Go语言Go语言是由Google开发的一种编程语言,于2009年首次发布。

    如何使用Elasticsearch实现推荐系统
    如何使用Elasticsearch实现推荐系统

    如何使用Elasticsearch实现推荐系统在当今信息爆炸的时代,推荐系统成为了帮助用户快速准确找到需要的信息的重要工具。Elasticsearch作为一个开源、高性能的搜索引擎,提供了强大的全文搜索和数据分析功能,能够很好地支持推荐系统的实现。本文将介绍如何使用Elasticsearch构建一个简单的推荐系统,并提供代码示例。数据准备首先,我们需要准备数

    PHP推荐系统技术指南
    PHP推荐系统技术指南

    在当今互联网时代,推荐系统已逐渐成为各大网站以及电商平台不可或缺的功能之一。而要实现一个高效准确的推荐系统,则需要依靠各种技术手段来实现。本篇文章将以PHP技术为核心,为大家详细介绍在PHP中实现推荐系统的技术指南。一、数据存储技术数据存储是推荐系统中最为重要的一环。在PHP中,我们可以通过MySQL、MongoDB等数据库来存储相关的数据信息。其中,MyS

    快手强化学习与多任务推荐
    快手强化学习与多任务推荐

    一、Two-StageConstrainedActor-CriticforShortVideoRecommendation第一篇工作是快手自研的,主要针对的是带约束的多任务场景。1.短视频多任务推荐场景这篇工作主要针对的是短视频的一个比较专业化的场景,多任务的用户反馈分为观看时长和互动,比较常见的互动包括点赞、收藏、关注还有评论,这些反馈各有特点。我们通过线上系统观察发现,时长信号实际上非常稀疏,而且因为它是连续值,难以精准度量用户的兴趣程度。相比之下,互动信号更加丰富,包括赞、藏、关注以及评论,这些反馈

    公平性排序学习算法 - 斯奇拉姆排序
    公平性排序学习算法 - 斯奇拉姆排序

    在2023年举行的国际学术会议AIBT2023上,RatidarTechnologiesLLC发表了一篇基于公平性的排序学习算法,并荣获该会议的最佳论文报告奖。该算法名为斯奇拉姆排序(SkellamRank),充分利用了统计学原理,结合了PairwiseRanking和矩阵分解技术,以解决推荐系统中的准确率和公平性问题。由于推荐系统中创新的排序学习算法很少,斯奇拉姆排序算法表现出色,因此在会议上获得了研究奖项。下面将介绍斯奇拉姆算法的基本原理:我们首先回忆一下泊松分布:泊松分布的参数的计算公式如下:两个泊

    使用Spring Boot开发的推荐系统和大数据分析
    使用Spring Boot开发的推荐系统和大数据分析

    随着互联网的快速发展,数据量也在飞速增长。如何从海量数据中提取有价值的信息,帮助企业和用户作出更明智的决策,成为了当今世界一个极具挑战性的难题。推荐系统和大数据分析是解决这一问题的有效方法之一。本文将介绍一种基于SpringBoot的推荐系统和大数据分析的实现方案。一、什么是推荐系统?推荐系统是一种利用用户历史行为数据和用户偏好信息,为用户推荐可能感兴趣的

    实现知识问答网站中的个性化推荐系统和推荐功能的 PHP 实现
    实现知识问答网站中的个性化推荐系统和推荐功能的 PHP 实现

    PHP实现知识问答网站中的推荐系统和个性化推荐功能随着互联网的快速发展,知识问答网站蓬勃发展,如今已经成为广大用户获取知识、解决问题的重要途径。然而,对于用户而言,在众多问题和答案中找到自己感兴趣的、适合自己的内容并不容易。因此,为了提升用户体验和粘性,推荐系统成为了一个关键的功能。本文将介绍如何使用PHP实现知识问答网站中的推荐系统和个性化推荐功能。

    通过Go编程实现一个高效的在线广告推荐系统
    通过Go编程实现一个高效的在线广告推荐系统

    随着互联网的普及和发展,广告推荐系统已经成为了各大互联网公司的重要组成部分。在这些广告推荐系统中,机器学习算法常常扮演着核心角色。而在这些算法中,Go语言的高效所体现出来的优势也越来越受到广泛的关注和应用。本文将分析Go语言的各种优势并结合机器学习算法,探讨如何构建高效的在线广告推荐系统。一、Go语言的高效Go是一门并发性、高效性和可靠性都很突出的编程语言,

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。