推荐系统算法
2024-10-14 14:31:52 0 举报
AI智能生成
推荐系统算法是一种能够根据用户的历史行为和偏好,为用户推荐其可能感兴趣的商品、服务或内容的技术。这种算法主要应用于电子商务、社交媒体、视频和音乐流媒体等领域,以提高用户体验和增加销售额。常见的推荐算法包括基于内容的推荐、协同过滤、矩阵分解和深度学习等。基于内容的推荐通过分析物品的特征和用户的历史行为,为用户推荐与其兴趣相匹配的物品;协同过滤则通过分析其他用户的行为和兴趣,为用户推荐他们可能感兴趣的物品;矩阵分解则通过分解用户-物品矩阵,发现用户的潜在兴趣;深度学习则利用神经网络等深度学习技术,自动学习用户和物品的特征,实现更为精准的推荐。
作者其他创作
大纲/内容
用户信息
LBS
手机归属地
来源渠道
用户冷启动
热门资源
专家标注
物品冷启动
冷启动
基于设备编码
未登录
账号映射设备编码
账号与设备编码多对多怎么办?
已登录
账号
设备
时间
事件
目标
属性
批量上传
异步上传
网络状况
前端埋点
controller注解
主动上报
后端埋点
埋点
识别爬虫
数据采集
评分
评价
显式反馈
搜索
浏览
收藏
加购
购买
隐式反馈
行为数据
年龄
性别
……
用户属性
相互关注
相互点赞
评论
用户关系
用户
分类
标签
关键字
工匠
精算师
设计师
物品
地点
当前浏览物品
上下文
数据构成
显示反馈
搜索词
购物车
用户“喜欢”的物品
相似的人
相似的商品
业务上下文
推荐“相似”的物品
就是用你查出来的正确的数量除以所有正确的数量
召回率
用你查出来的正确的数量除以所有的数量
准确率
新颖性
评价指标
定时采集
事件采集
存储在MongoDB
反馈数据
数据层
物品的相识度
根据用户对物品的喜好,推荐相似的物品
协同过滤
矩阵分解
基于用户的装修流程
召回算法
定时运算
量大、速度慢
离线层
加权合并
排序算法
量大、速度较快
近线层
结合业务展示
按展示位展示
在线层
架构
基于物品的协调过滤
用户与物品的关系
所谓共现,就是两个物品同时被同一用户喜欢,记为1。比如ab物品被ABC三个用户喜欢,则记为3
构建物品共现矩阵
单个物品被喜欢的人数
构建物品相似度矩阵
基于相似度矩阵推荐物品
算法流程
Item-CF
每个坐标上的点相减,求平方和,再求方根
因为计算是基于各维度特征的绝对数值,所以欧氏度量需要保证各维度指标在相同的刻度级别。
欧氏距离
余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量,余弦相似度更加注重两个向量在方向上的差异,而非距离或长度上
余弦距离
Jaccard公式
numpy.corrcoef相关系数计算
相似度
欧氏距离衡量的是空间各点的绝对距离,跟各个点所在的位置坐标直接相关;而余弦距离衡量的是空间向量的夹角,更加体现在方向上的差异,而不是位置
根据相识度找出相似的人或物
再预测当前用户为看过的商品的兴趣度
浏览数
收藏数
购买数
如何计算其他用户对物品的兴趣度
兴趣度
机器学习
低秩矩阵分解
推荐算法
装修阶段顺序
基于知识的推荐
领域知识
推荐系统技术
0 条评论
回复 删除
下一页