机器学习之协同过滤

[睡着的水-hzjs-2016.08.18][求点赞]

一、协同过滤的基本概念

协同过滤是推荐引擎的一种算法，经常用到的地方像亚马逊、京东、淘宝、今日头条等隐形推荐场景。这些计算旨在补充用户-商品关联矩阵中所缺失的部分。像下面的推荐引擎就是我们的推荐系统：

  

    

#无论采用哪种方式，核心的问题都是一个：如何计算物品（用户）之间的相似度

二、Slope One推荐算法

算法思想：

#这套算法的适应性不太好（当物品很多，规则很多的时候矛盾就会特别的多），但是还是有很多人用，因为算法简单、速度快！在大数据领域，算法简单，运算快就是很大的优势，尤其是面对海量的数据、精确度要求不是很高的时候。

三、基于相关性的协同过滤

以电影打分为例：

#有的人打分都高，有的人打分都低，我们就需要计算这个人打分的平均分，用每个分数减去平均分得到一个新的喜好表，大于0表示喜欢，小于0的表示不喜欢：

就是说低于自己平均分的电影，就是自己不太喜欢看的电影。

#相似的电影：对于一个人来说，如果两部电影要么都喜欢，要么都讨厌，那么就比较相似。比如对于用户1来说：无间道和古惑仔他都喜欢，就表示这两个电影相似。用户2来说。无间道与古惑仔他都不喜欢，也表明两部电影很相似。用户4呢？喜欢古惑仔，不喜欢无间道，就会出现干扰项。这种情况下我们就需要进行统计信息，把所有用户的观点进行集中，然后得到一个平均的值。

示例：相似程度

#计算两个变量（古惑仔，无间道）的线性相关性。相似度为正数时表示相关性很大，当出现A的时候就推荐B. 当相似度为负数的时候，相关性也很大(反相关性)，当出现A的时候，一定不能推荐B.

#相除是消除电影自身对相似度的影响（相当于归一化的作用，消除数据大小的影响）

#正相关性：当吃羊肉串的时候==》推荐喝啤酒

#负相关性：当喝啤酒的时候一定不会推荐可乐

结果是这样的：

预测电影：

我们知道一个人对无间道的打分是4分，对阿甘正传的打分都是3分，那么我们可以根据上表电影的相关度计算古惑仔的得分预测：

后面的类似，结果是正数表示喜欢，负数表示不喜欢，0表示无所谓，这样情况下肯定要推荐正数的，其次是0，这样就过滤掉了负数的电影--------》实现了协同过滤。

四、基于矩阵分解的协同过滤

方式
五、基于SVD的协同过滤

最后

以上就是追寻豆芽为你收集整理的机器学习之协同过滤机器学习之协同过滤的全部内容，希望文章能够帮你解决机器学习之协同过滤机器学习之协同过滤所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。