基于物品的协同过滤演算法ppt课件.ppt
《基于物品的协同过滤演算法ppt课件.ppt》由会员分享,可在线阅读,更多相关《基于物品的协同过滤演算法ppt课件.ppt(36页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用第五章第五章 推薦推薦 王海王海经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用目錄目錄1推薦系統的出現推薦系統的出現2推薦引擎的分類推薦引擎的分類 3主流推薦演算法主流推薦演算法4結束語結束語经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用推薦系統的出現推薦系統的出現推薦:推薦:把使用者模型中興趣需求資
2、訊使用者模型中興趣需求資訊和推薦對象推薦對象的特徵資訊的特徵資訊匹配,同時使用相應的推薦演算法推薦演算法進行計算刷選,找到使用者可能感興趣的推薦對象,然後推薦給使用者。推薦系統應運而生推薦系統應運而生经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用比如,比如,早上買包子的時候,老闆就經常問我要不要來杯豆漿。推薦在生活中無處不在推薦在生活中無處不在经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用推薦在生活中無處不在推薦在生活中無處不在
3、社交網站:社交網站:向他推薦可能感興趣的人;基於社交圖譜的推薦:根據其好友的偏好好友的偏好來向其推薦人、群組、內容、商品等。经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用電子商務:個性化推薦電子商務:個性化推薦6推薦在生活中無處不在推薦在生活中無處不在经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用7推薦對企業的價值推薦對企業的價值亞馬遜:亞馬遜:35%的銷售來自推薦。貝索斯:“如果我有一百萬的用戶,我就會做一百萬個不同的網站!”
4、。Netflix:75%的觀看來自推薦。经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用推薦與搜索的差別推薦與搜索的差別推薦滿足的是非明確的需求。因此,推薦結果的點擊率低於搜索結果。经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用常用推薦演算法常用推薦演算法推薦推薦技術發展至今已經歷了十餘年。開發者們試過各種各樣的方法。經過大量的實踐,人們發現似乎沒有任何一個方法可以獨領風騷、包打天下。不過,目前,協同過濾協同過濾使用最普遍。经营者
5、提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用基於用基於用戶的協戶的協同過濾同過濾適於物品比用戶多物品比用戶多、物品時效性較強的情形,例如:新聞網站、新網站。否則計算慢推薦結果的個性化較弱、較寬泛,但能實現跨領域、驚喜度高驚喜度高的結果Digg的文章推薦、Last.fm的音樂推薦基於物基於物品的協品的協同過濾同過濾應用最廣泛,尤其以電商電商行業為典型。適於用戶多用戶多、物品少的情形,否則計算慢在物品冷開機、數據稀疏時效果不佳推薦精度高,更具個性化;但傾向於推薦推薦用戶購買過商品的類似商品,所以推薦的多樣性和驚喜度不足
6、驚喜度不足,用戶永遠看不到新穎的物品Amazon等等電商、電商、Netflix、Youtube10经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用基於內基於內容的演容的演算法算法是最直觀的演算法容易受限於對文本、圖像、音視頻的內容進行描述的詳細程度。常借助文本相似度計算,文本可來自物品描述、UGC等。但推薦精度通常墊底主題過於集中,驚喜度不足新聞網站(例如百度新聞)、百度文檔基於統基於統計思想計思想的方法的方法例如:Slope One、關聯規則、分類熱門推薦。其線上部分計算速度快;直觀。對個性化偏好的描述能力弱(
7、精度低)一些電商網站隱含因隱含因數模型數模型難以即時對模型做增量更新可解釋性差Netflix、Yahoo Music11经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用基於協同過濾的推薦基於協同過濾的推薦基於用戶的協同過濾推薦基於用戶的協同過濾推薦核心思想:核心思想:基於用戶對物品的偏基於用戶對物品的偏好找到相鄰鄰居用戶,好找到相鄰鄰居用戶,然後將鄰居用戶喜歡的然後將鄰居用戶喜歡的推薦給當前用戶推薦給當前用戶经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商
8、品的价款或接受服务的费用和我興趣相似的人喜歡的商品和我興趣相似的人喜歡的商品我也會喜歡。步驟:1.根據用戶對各種物品的偏好值的相似程度,對每兩個用戶之間進行相似度計算,為每個用戶找到與之相似度相似度最高的幾個鄰居用戶鄰居用戶,2.然後將鄰居鄰居用戶對每個物品的偏好值的加權平均作為目標使用者的偏好值的預測值。把預測值最高的多個商品作為目標使用者的推薦把預測值最高的多個商品作為目標使用者的推薦清單。清單。其中,每個鄰居用戶的權重取決於該鄰居使用者與目標使用者之間的相似度相似度。基於協同過濾的推薦基於用戶的協同過濾推薦经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加
9、赔偿的金额为消费者购买商品的价款或接受服务的费用如何計算用戶間的相似度:基於協同過濾的推薦基於用戶的協同過濾推薦設N(u)為用戶u有過正回饋的物品集合,設N(v)為用戶v有過正回饋的物品集合,u和v的興趣相似度可以用Jaccard公式或余弦相似度計算,Jaccard公式公式余弦余弦公式公式经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用基於協同過濾的推薦基於協同過濾的推薦基於用戶的協同過濾推薦基於用戶的協同過濾推薦舉例:舉例:下圖表示用戶A對物品a,b,d有過行為,用戶B對物品a,c有過行為利用余弦相似度計算可得
10、:用戶A和用戶B的興趣相似度為:同理,经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用基於協同過濾的推薦基於協同過濾的推薦基於用戶的協同過濾推薦基於用戶的協同過濾推薦舉例:舉例:下圖表示用戶A對物品a,b,d有過行為,用戶B對物品a,c有過行為給用戶推薦和他興趣最相似的K個用戶喜歡的物品其中,p(u,i)表示用戶u對物品i的感興趣程度,S(u,k)表示和用戶u興趣最接近的K個用戶,N(i)表示對物品i有過行為的使用者集合,wuv表示用戶u和用戶v的興趣相似度,Rvi表示用戶v對物品i的興趣(這裡簡化,所有的Rvi
11、都等於1)。可以算出,用戶可以算出,用戶A對物品對物品c、e的興趣是:的興趣是:经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用基於使用者的協同過濾的一大缺點形成有意義的鄰居鄰居集合很難。很多用戶兩兩之間只有很少幾個共同評分。而僅有的共同打了分的物品,往往是票房大片。再者,用戶之間的距離可能變得很快。這種離線演算法難以瞬間更新推薦結果。经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用R R實戰實戰-基於使用者的協同過濾演算法基於使用
12、者的協同過濾演算法#(0)安裝載入R包install.packages(recommenderlab)library(recommenderlab)#(1)載入數據集data(Jester5k)#該數據集包含5000個樣本數據,來源於Jester線上笑話推薦系統搜集的1999年4月至2003年5月期間的匿名使用者對笑話的評價數據#數據集包含對100個笑話的評價,評分從-10至+10#數據集中所有用戶至少評價36個笑話#Jester5k包含362106個評分#(2)基於用戶的推薦#hist(getRatings(Jester5k),main=Distribution of ratings)rU-
13、Recommender(Jester5k1:1000,method=UBCF)rU经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用R R實戰實戰-基於使用者的協同過濾演算法基於使用者的協同過濾演算法#向第1001和1002用戶推薦的5個物品recomU-predict(rU,Jester5k1001:1002,n=5)recomUas(recomU,list)#預測評分recomU-predict(rU,Jester5k1001:1002,type=ratings)recomUas(recomU,matrix),
14、1:10经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用R R實戰實戰-基於使用者的協同過濾演算法基於使用者的協同過濾演算法#(3)評價方案:1000個樣本,90%作為訓練集,10%作為測試集#測試集中15個物品用於推薦演算法中,另外的用於計算誤差e-evaluationScheme(Jester5k1:1000,method=split,train=0.9,given=15,goodRating=5)e#應用訓練集產生基於用戶的推薦r1-Recommender(getData(e,train),UBCF)#對已
15、知部分的測試數據(每個使用者對15個物品的評分)用基於使用者的推薦演算法計算預測評分p1-predict(r1,getData(e,known),type=ratings)errorU-calcPredictionAccuracy(p1,getData(e,unknown)errorURMSE:標準差MSE:方差MAE:平均絕對誤差经营者提供商品或者服务有欺诈行为的,应当按照消费者的要求增加赔偿其受到的损失,增加赔偿的金额为消费者购买商品的价款或接受服务的费用基於協同過濾的推薦基於協同過濾的推薦基於物品的協同過濾推薦基於物品的協同過濾推薦核心思想:核心思想:在計算鄰居時採用物品在計算鄰居時採用
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 物品 协同 过滤 演算法 ppt 课件
限制150内