《機器學(xué)習(xí)項目案例開發(fā)》課件 26.推系統(tǒng)

人工智能技術(shù)與應(yīng)用6.推薦系統(tǒng)課程概況—基本情況PART01推薦系統(tǒng)推薦系統(tǒng)概述推薦系統(tǒng)實現(xiàn)隱含語義模型推薦系統(tǒng)概述推薦系統(tǒng)：推薦系統(tǒng)：推薦系統(tǒng)概述推薦系統(tǒng)：推薦系統(tǒng)概述協(xié)同過濾：如果你現(xiàn)在想看個電影，但你不知道具體看哪部，你會怎么做？如何確定一個用戶是不是和你有相似的品位？如何將鄰居們的喜好組織成一個排序的目錄？推薦系統(tǒng)-協(xié)同過濾協(xié)同過濾：實現(xiàn)步驟收集用戶偏好找到相似的用戶或物品計算推薦推薦系統(tǒng)-協(xié)同過濾協(xié)同過濾：實現(xiàn)步驟推薦系統(tǒng)-協(xié)同過濾協(xié)同過濾：相似度計算推薦系統(tǒng)-協(xié)同過濾協(xié)同過濾：相似度計算歐幾里德距離（EuclideanDistance）皮爾遜相關(guān)系數(shù)（PearsonCorrelationCoefficient）

Cosine相似度（CosineSimilarity）推薦系統(tǒng)-協(xié)同過濾協(xié)同過濾：相似度計算皮爾遜相關(guān)系數(shù)（PearsonCorrelationCoefficient）協(xié)方差皮爾遜相關(guān)系數(shù)Pearson相關(guān)系數(shù)是用協(xié)方差除以兩個變量的標(biāo)準(zhǔn)差得到的推薦系統(tǒng)-協(xié)同過濾協(xié)同過濾：皮爾遜相關(guān)系數(shù)推薦系統(tǒng)-協(xié)同過濾協(xié)同過濾：皮爾遜相關(guān)系數(shù)鄰居的選擇

固定數(shù)量的鄰居

基于相似度門檻的鄰居推薦系統(tǒng)-協(xié)同過濾基于用戶的協(xié)同過濾：推薦系統(tǒng)-協(xié)同過濾基于用戶的協(xié)同過濾：基于用戶的協(xié)同過濾要解決的問題已知用戶評分矩陣MatrixR（一般都是非常稀疏的）

推斷矩陣中空格emptycells處的值推薦系統(tǒng)-協(xié)同過濾基于用戶的協(xié)同過濾：基于用戶協(xié)同過濾UserCF缺點

對于一個新用戶，很難找到鄰居用戶。對于一個物品，所有最近的鄰居都在其上沒有多少打分注意事項

相似度計算最好使用皮爾遜相似度

考慮共同打分物品的數(shù)目，如乘上min(n,N)/Nn:共同打分?jǐn)?shù)N:指定閾值

對打分進(jìn)行歸一化處理

設(shè)置一個相似度閾值推薦系統(tǒng)-協(xié)同過濾基于用戶的協(xié)同過濾：基于用戶協(xié)同過濾UserCF為啥不流行1.稀疏問題2.數(shù)百萬的用戶計算，這量？3.人是善變的注意事項

推薦系統(tǒng)-協(xié)同過濾基于物品的協(xié)同過濾：

推薦系統(tǒng)-協(xié)同過濾基于物品的協(xié)同過濾：基于物品的協(xié)同過濾優(yōu)勢！計算性能高，通常用戶數(shù)量遠(yuǎn)大于物品數(shù)量可預(yù)先計算保留，物品并不善變

推薦系統(tǒng)-協(xié)同過濾基于物品的協(xié)同過濾：

推薦系統(tǒng)-協(xié)同過濾r_51=(0.41*2+0.59*3)/(0.41+0.59)=2.6基于物品的協(xié)同過濾：用戶冷啟動問題引導(dǎo)用戶把自己的一些屬性表達(dá)出來利用現(xiàn)有的開放數(shù)據(jù)平臺根據(jù)用戶注冊屬性推薦排行榜單物品冷啟動問題文本分析、主題模型打標(biāo)簽、推薦排行榜單推薦系統(tǒng)-協(xié)同過濾基于物品的協(xié)同過濾：推薦系統(tǒng)-協(xié)同過濾基于物品的協(xié)同過濾：推薦系統(tǒng)-協(xié)同過濾基于用戶的推薦實時新聞突然情況基于物品的推薦圖書電子商務(wù)電影隱語義模型：隱語義模型從數(shù)據(jù)出發(fā)，進(jìn)行個性化推薦用戶和物品之間有著隱含的聯(lián)系（有一個隱含方程）隱含因子讓計算機能理解就好將用戶和物品通過中介隱含因子聯(lián)系起來隱語義模型：隱語義模型分解用戶和隱藏因子之間的關(guān)系電影和隱藏因子之間的關(guān)系（F*M）T*（N*M）=（F*M）組合隱語義模型：隱語義模型梯度下降方向：隱語義模型：隱語義模型隱語義模型目標(biāo)函數(shù)隱語義模型負(fù)樣本選擇：隱語義模型負(fù)樣本采樣：對每個用戶，要保證正負(fù)樣本的平衡（數(shù)目相似）選取那些很熱門，而用戶卻沒有行為的物品對于用戶—物品集K{(u,i)}其中如果(u,i)是正樣本，則有=1，負(fù)樣本則=0隱語義模型：隱語義模型特征的重要程度隱語義模型：重新計算USV的結(jié)果得到A2來比較下A2和A的差異，看起來差異是有的，但是并不大，所以我們可以近似來代替隱語義模型隱語義模型：

將U的第一列當(dāng)成x值，第二列當(dāng)做y值，即U的每一行用一個二維向量表示，同理V的每一行也用一個二維向量表示。

從圖中可以看到，S5和S6特別相似，Ben和Fred也特別相似隱語義模型隱語義模型：尋找相似用戶尋找相似用戶:依然用實例來說明:假設(shè)，現(xiàn)在有個名字叫Bob的新用