推荐算法简述

1、塑造用户画像的一个重要方向？用户行为数据：显性反馈行为：评分，评论等无上下文信息的隐性反馈数据集：每一条记录包含用户ID,物品ID无上下文信息的显性反馈数据集：用户ID,物品ID,评分隐形反馈行为：浏览网页等有上下文信息的隐性反馈数据集：用户ID,物品ID,用户对物品产生行为的时间戳有上下文信息的显性反馈数据集：用户ID,物品ID,评分，评分发生的时间戳当前采用的比较多的推荐模式？协同过滤：仅仅基于用户的行为数据(应用得最广泛的是基于领域的算法,即：基于用户的协同过滤算法1找到目标用户兴趣相似的用户集合2找到这个集合的用户喜欢的,且目标用户没有听说过的物品推荐给目标用户基于物品的协同过滤算法同

2、理,找到目标用户感兴趣的物品相似的物品,推荐给目标用户)推荐的步骤可以简单地归纳为：构造数据集(设计用户,物品的数据结构)2确定相似算法，计算相似度(Jaccard，余弦相似度，欧几里得，皮尔逊等)排名(可能涉及到通过相似度推算出用户对自己没有进行过行为的商品的喜好程度),推荐通过经典的MovieLens实验来理解：基于用户：1数据集结构：critics=A用户:a物品:分数，b物品:分数，,B用户:a物品:分数，b物品:分数，,在这里用户即为对电影评分的用户，物品即为电影，示例井一个涉及彫评者及其时几部影片评分情况的字典critics=LisaRaser：1LadyintheWater：2.

3、5,1SnakesonaPlanef：3.5,RJustMyLuck1:3.0,1SupermanReturnsR:3.5,1You,MeandDupree1:2.5,1TheNightListener:3.0,GeneSeymour*:LadyintheWater；3.0,hSnakesonaPlane:3,5,1JuseKyLuck:1,5,1SupermanReturns:5.0,1TheNightListenerr；3*0,1You,MeandDupree1:3.5),MichaelPhillips1:(1LadyintheWater；2,S,1SnakesonaPlane1:3.0,

4、1SupermanReturns1:3.5,1TheNightListener:4.0,ClaudiaPuig:rSnakesonaPlane:3.5,rJustMyLuck1:3*0,HTheNightListenerr:4+5SupermanReturns:4.0,You,MeandDupree1:2,5,1ickLaSalle1:(1LadyintheWater1:3*0SnakesonaPlane1:4.0,1JustMyLuck1:2.0rSupermanReturns*:3.0,TheNightListener*:3.0,You,MeandDupree:2.0,1JackMatth

5、ews1:1LadyintheWaterf:3.0,SnakesonaPlane1:4.0ffTheNightListener:3.0,SupermanReturns1:5.0,You,MeandDupree1:3.5,Toby1:(1SnakesonaPlan1:4*5,rYou,MeandDupree:l,0,SupermanReturns：4.0评分采用0-5分的范围，有的采用0-1相似度的度量（1）欧几里得距离：在偏好空间中距离越近越相似，例相似度=1/（1+两用户距离）范围01,值越大越相似（2）皮尔逊针对用户打分习惯不一样，有的给分普遍偏高，有的则低（避免评分习惯造成的误差）引入“

6、最佳拟合线”（尽可能靠近地图上的所有坐标点）eneSeniiirMkkLaS|teJ2-2;在散点图上比较两位影评者的评分结果范围01,越大越相似，例如（系数为0.75）：2-3：具有较高相关度评价值的两位评论者LiuftiKe4知出?*臻rman3H联険谄JDupreea*Lady.A-i.：；：.2起；：,我、-:竝s._:y-：.-.遐曲心罷住叙w弧浚;上1疇讥必护-J1kiLltI|11111L12jjJBLMIMttnCWS相似度排名返回结果：reload(reconmandations)rcttnftandation*.topMatohas(re3)(0.9912407071619

7、2991,LisaRose1)y(0.924473451641904B6,rMickLaSalle*)(0.89340514744156474,ClaudiaPuig1)补充：1.给定用户u和用户v,N(u)表示用户u曾经有过正反馈的物品集合，N(v)为用户v曾经有过正反馈的物品集合，计算两个用户的兴趣相似度wuz:.N(u)nV)|%=血)UMJaccard公式：例：余弦相似度:险)rw)|训|皿训图2北用户行为记录举例可理.我们可以计算出用户A和用户匚D的相似度：TOC o 1-5 h z|偽b,d仃紡胡|1VI.1=人=r麻丽TT両晶Is上同仃&乩罚I1w.,=JL=lt詔同3推荐推算用

8、户对没看过电影的评分，即用相似度与其他用户对该电影的评分乘积加权求均值例：表22为Toby提供推荐iii平艸网?潮:聲說憐:燃:憑X：:Si2恋Rose0.993.02.972.52.483.02.97Seymour0.383.01.143,01.141.50.57Puig0.894.54.023.02.68LaSalle0.923.02.773.02,T7：2.0reload(reccnoienda七文ohm)_.i七*qmMiwnrtAeioM.calculataSijnilarltMk*(recHmmindntions-critioa)Itwim1LadyintheWaterr:(0.4

9、0000000000000002,fYoufMeandDupree1),(0.2357142857142&57,TheNightListener),SnakesonaPlane1:(0.22222222222222221,LadyintheWaterr),0.181&181&181818182,TheNightListener1.etc*后面同理。我们还需要做什么？算法评测1将用户行为数据集按照均匀分布随机分为M份，1份作为测试集，剩下的（M-1）份作为训练集。进行M次实验,，每次都使用不同的测试集，将M次实验测出的评测指标（准确率或者召回率）的平均值最为最后的评测指标。2对u用户推荐N个物品（记为R（u）,用户u在测试集上喜欢的物品集合为T（u）,Precis