亚洲在线久爱草,狠狠天天香蕉网,天天搞日日干久草,伊人亚洲日本欧美

這個不錯的

Usercf Vs Itemcf

優缺點比較

• 推薦實時性：Usercf 中用戶有了新的行為不會造成推薦結果的變化，因為usercf是根據用戶相似度矩陣來完成推薦的，所以user本身的行為并不能造成推薦結果的改變。對于Itemcf來說，用戶一旦有了新的行為，推薦結果可以立即發生改變，因為Itemcf是基于相似度物品矩陣來完成推薦的，所以點擊了物品會立刻推薦出相似的物品。

• 新用戶/新物品的推薦：新用戶的到來是不能立即推薦的，需要等用戶有了一定的行為并且得到了與其他用戶的相似度矩陣之后才能完成推薦。新物品入庫后，一旦被用戶點擊，Usercf可以通過用戶相似度矩陣將其推薦給相似用戶。對于Itemcf，新用戶一旦完成了新物品點擊，便可以推薦與該Item相似的其余Item，新物品的到來，由于此時新物品并沒有與其他物品在相似度矩陣中出現，所以Itemcf并不能及時將新物品推薦出去。

• 推薦理由可解鎖性：Usercf是通過用戶相似度矩陣來完成推薦的，因此結果會略顯難以解釋。Itemcf是通過用戶的歷史點擊行為來完成的推薦，所以推薦結果會更加令人信服。

  適用場景

• 性能層面考量：因為usercf需要計算用戶的相似度矩陣，因此它不適合用戶很多的場景，因為這樣用戶的相似度矩陣計算起來代價會非常大。Itemcf因為要計算物品的相似度矩陣，所以Itemcf適用于Item數量遠小于user數量的場合，由于實戰中，user數量往往遠大于item的數量，所以實戰中更傾向于Itemcf。

• 個性化層面考量：Usercf使用于物品需要及時推薦下發且個性化需求不太強烈的領域，而Itemcf適用于物品豐富并且個性化需求強烈的領域，由于真實的推薦系統中，多種個性化召回算法組合會有一些召回方法來解決新物品及時下發問題，而我們需要個性化程度強烈，所以從個性化層面考慮，也更傾向于在落地實戰中采用Itemcf

User cf

• 給用戶推薦相似興趣用戶感興趣的物品

• 如何評價相似興趣用戶集合

• 找到集合用戶感興趣的而目標用戶沒行為過的item

• example

  

  用戶 u 和 v 的相似度?

  N（u）用戶u行為過的item的集合

  用戶u對item i 的推薦得分

• rvi 表示用戶v對item i的行為得分

  u（i）表示對item i 行為過的用戶集合

用戶v是與用戶u相似的前top k個用戶，且有item i 被v行為過但沒被u行為過

• 公式升級

  1.理論意義:降低那些異常活躍物品對用戶相似度的貢獻

  

  2.理論意義：不同用戶對同一item行為的時間段不同應該給予時間懲罰

  
  

Collaborative filtering 協同過濾

背景 1.信息過載 --> 找到用戶所需? 2.強依賴用戶行為

Item cf??

??給用戶推薦他之前喜歡的物品的相似物品

? 如何衡量相似 -- > 喜歡兩個物品的用戶重合度越高，那么兩個物品就越相似

? 如何衡量喜歡 -- > 信息流產品下，是否為真實點擊 ，電商產品下，更看重實際轉化 ==》一定時長的停留。故要結合具體的產品

物品 i 和 j 相似度計算公式：

user對item j 的推薦得分?

N（u） ： user行為過的item 的總數

rui ： user對物品i的行為得分（比如電影評分系統中用戶對電影的評分-->歸一化0~1間的一個值）

Sij? ： 物品 i 和 j 的相似得分

item i 是用戶行為過的物品且是與item j 最相似的top k個 item （一般實戰中選取50個）

公式升級

1.理論意義：活躍用戶應該被降低在相似度公式中的貢獻度

每個用戶對相似度的貢獻不一樣，活躍用戶的貢獻度降低

2.理論意義：用戶在不同時間對item的操作應給予時間衰減懲罰

if?not?os.path.exits(rating_file):
??return?{}
fp?=?open(rating_file)
num?=?0
user_click?={}
for?line?in?fp:
???if?num?==0:
??????num+=
??????continue
????user?=?line.strip().split(',')
????if?len(item)?<?4:
???????continue
?????[userid,movieid,rating,timestamp]?=?user

推薦系統架構

公式升級二，時間衰減懲罰

推薦系統架構。

推薦算法實現

協同矩陣排序

計算物品的協同矩陣

計算物品相識矩陣，item_user_click_item是返回值，

dict key：itemid，value dict：value_key itemid_j,value_value simscore.?

解析電影數據

獲取用戶點擊商品記錄