目錄算法
主要內容spa
推薦系統之 系統結構blog
推薦系統之 評定標準class
協同過濾互聯網
主要內容
n 互聯網需求變動
1.推薦系統普遍應用
2.推薦系統需求
3.推薦系統結構與評估
n 推薦算法初步
1.基於內容推薦
2.協同過濾
n 推薦算法進階
1.矩陣分解與隱語義模型
n 推薦系統案例
推薦系統之 是什麼
推薦系統之 系統結構
推薦系統之 評定標準
消除只推薦關注的東西，把尾部的東西也能給用戶
推薦系統之 經典算法初步
協同過濾
基於物品的協同過濾
再減掉均值，不一樣的用戶能夠打分的標準不一樣
若是用戶A可能最好打3分
用戶B能夠打分從3起步呢
若是這樣不減平均值，則結果不許確
pearson類似度
推薦系統之 CF對比
基於物品的協同過濾：兩本書的類似度不怎麼變，因此更穩定
則用戶兩人的因素，興趣會變化 ，每次都要從新計算，人是會變的
o 協同過濾優勢
n 基於用戶行爲， 所以對推薦內容無需先驗知識：不須要對內容的故事情節等人物作推測
n 只須要用戶和商品關聯矩陣便可， 結構簡單
n 在用戶行爲豐富的狀況下， 效果好
o 協同過濾缺點
n 須要大量的顯性/隱性用戶行爲
n 須要經過徹底相同的商品關聯， 類似的不行
n 假定用戶的興趣徹底取決於以前的行爲， 而和當前
上下文環境無關
n 在數據稀疏的狀況下受影響。 能夠考慮二度關聯。
推薦系統之 冷啓動問題
推薦系統之 推薦算法進階