¿Cuáles son los algoritmos recomendados?
Recomendación basada en filtrado colaborativo
Algoritmo de filtrado colaborativo basado en el usuario: basado en la suposición de que "es probable que le gusten las cosas que le gustan a la gente que le gusta". Por lo tanto, basado en el usuario filtrado colaborativo La tarea principal es encontrar los vecinos más cercanos del usuario para predecir la calificación de elementos desconocidos en función de las preferencias de los vecinos más cercanos. El algoritmo se divide principalmente en tres pasos:
1. Se puede dividir en puntuación explícita y puntuación implícita. La puntuación explícita consiste en calificar elementos directamente (como calificar a los usuarios de Baidu), mientras que la puntuación implícita consiste en calificar elementos mediante la evaluación o el comportamiento de compra (como lo que compró).
2. Encuentra el vecino más cercano. Este paso es para encontrar los usuarios más cercanos a usted. Generalmente, se utilizan los siguientes tres algoritmos para calcular la distancia: 1. Coeficiente de correlación de Pearson. 2. Similitud del coseno. 3. Ajuste la similitud del coseno. Parece mejor ajustar la similitud del coseno.
3. Recomendado. Después de generar el conjunto vecino más cercano, los elementos desconocidos se puntúan y predicen en función de este conjunto. Recomiende los n elementos principales al usuario. Este algoritmo tiene un cuello de botella en el rendimiento. Cuando aumenta el número de usuarios, la complejidad de encontrar vecinos más cercanos también aumenta considerablemente.
Recomendación combinada
En términos de métodos de combinación, algunos investigadores han propuesto siete ideas combinadas:
1. Peso: compara los resultados de varias tecnologías de recomendación ponderadas.
2. Switch: según los antecedentes del problema y la situación o los requisitos reales, decida utilizar diferentes tecnologías recomendadas para el switch.
3. Mixto: utilice múltiples tecnologías de recomendación al mismo tiempo para proporcionar múltiples resultados de recomendación para que los usuarios los consulten.
4. Combinación de funciones: otro algoritmo de recomendación utiliza la combinación de funciones de diferentes fuentes de datos de recomendación.
5. Cascada: primero, se utiliza una tecnología de recomendación para generar un resultado de recomendación aproximado, y la segunda tecnología de recomendación hace recomendaciones más precisas basadas en este resultado de recomendación.
6. Mejora de funciones: la información de funciones adicional generada por una tecnología se integra en la entrada de funciones de otra tecnología de recomendación.
7. Metanivel: utilice el modelo generado por un método de recomendación como entrada de otro método de recomendación.