Algoritmo de recomendación basado en filtrado colaborativo de usuarios (User-CF)
2. Construcción del modelo matricial
3. Idea y cálculo de User-CF
En el sistema de recomendación personalizado, Cuando el usuario A necesita recomendaciones personalizadas, primero puede encontrar otros usuarios con intereses similares a él y luego recomendarle a A productos que le gustan pero de los que no ha oído hablar. Este método es el algoritmo de filtrado colaborativo basado en el usuario (User-CF)
Según este problema, el algoritmo de filtrado colaborativo basado en el usuario (User-CF)
se utiliza para recomendar artículos a los usuarios. Este método es el algoritmo de filtrado colaborativo basado en el usuario (User-CF)
Con base en la matriz de calificación del comportamiento del usuario construida en el dominio del problema (Figura 1-1), podemos construir un vector de usuario. Primero, cada usuario está representado por un vector, cada vector contiene 6 números, que representan la calificación de gusto del usuario por 6 libros. 0 significa que el usuario no ha leído el libro.
A continuación, calcule la similitud entre los dos usuarios. El indicador utilizado aquí se llama similitud del coseno. La fórmula de cálculo es la siguiente:
La parte a-b del numerador representa el producto escalar de los dos vectores. se calcula multiplicando los elementos correspondientes de los dos vectores y luego sumándolos, por ejemplo:
Usuario a significa que le gusta este libro, usuario b significa que le gusta este libro, usuario c indica que le gusta este libro, el usuario d indica que le gusta este libro, el usuario e indica que le gusta este libro:
Usuario a= dentro, cuanto mayor sea el valor, mayor el valor Cuanto más similar, menor es el valor, menos similar es. De acuerdo con la fórmula anterior, calcule la similitud entre Xiaobai y los otros 5 colegas y luego ordénelos de mayor a menor. Se puede ver que Xiaobai es muy similar a los dos primeros colegas, pero nada similar al último colega.
Por ejemplo, las listas de lectura de los dos colegas más similares a Xiaobai son 1, 3, 4 y 5****. Entre ellos, el 1 y el 5 son libros que ya he leído, ¿el 3 y el 4 pueden ser más adecuados para mi gusto?
Podemos calcular las calificaciones ponderadas de estos dos colegas en los dos libros y usarlas como posibles calificaciones para los principiantes. El peso es la similitud entre ellos. Los resultados del cálculo se muestran en la siguiente figura.
p>. Los resultados de los cálculos muestran que el libro número 3 puede ser más adecuado para los gustos de los principiantes. Los libros restantes solo están numerados 3 y 4
5. La fórmula explica que 0,75 y 0,63 representan el peso o valor de similitud, y 4, 3 y 5 representan la calificación del libro por parte del usuario.
1. Rendimiento: Adecuado para situaciones con menos usuarios. Si hay demasiados usuarios, el costo de calcular la matriz de similitud de usuarios será mayor.
2. Campo: Altos requisitos para. efectividad, los requisitos de interés personalizado del usuario no son altos
3. Tiempo real: el usuario tiene nuevos comportamientos y los resultados recomendados no necesariamente necesitan cambiar inmediatamente
4. Usuario experiencia: experiencia del usuario en situaciones con altos requisitos, si hay demasiados usuarios, el costo de calcular la matriz de similitud del usuario será grande
5. Experiencia del usuario: en situaciones con altos requisitos para la experiencia del usuario, si hay demasiados usuarios, el costo de calcular la matriz de similitud de usuarios será alto.
El costo de la matriz es mayor
6. Inicio en frío: cuando un nuevo usuario tiene un comportamiento con menos elementos, es imposible cambiar inmediatamente los resultados recomendados para él
4. Inicio en frío: cuando un usuario nuevo Cuando un usuario tiene un comportamiento con menos elementos, es imposible cambiarlo inmediatamente los resultados recomendados para él. Después de que ocurre el comportamiento, ¿no puede hacerle recomendaciones personalizadas de inmediato porque la similitud del usuario se calcula fuera de línea?
Después de lanzar un nuevo proyecto, una vez que un usuario se ha portado bien con el proyecto durante un período de tiempo, el proyecto se puede recomendar a otros usuarios
.