如何使用svd根据项目推荐项目

Question

我已经训练了一个SVD模型来推荐基于userId的项目。但是，是否有任何方法可以根据项目列表而不是userId推荐项目？

例如，给定一个项目列表，[1,2,3,4,5]、SVD模型会找到最相似的项[9,10]。我的解决方案是从输入[9,10]中查找每个条目的相似项，并将公共项作为输出。

那是,

• 与第1项相似的项目是[9,10,12]和
• 与第2项相似的项目是[9,10,13]。

所以常见的项目是[9,10]，但我不知道是否有更好的方法。

Answer 1

对你描述的不太清楚。我想你的意思是你想要基于项目的建议，比如亚马逊正在做什么？

两个项目之间的相似性可以通过各种方式确定，但常用的方法是使用我们前面描述的余弦度量，其中每个向量对应于一个项目，而不是一个客户，向量的M维度对应于购买该项目的客户。

​

​

该算法需要密集的离线处理来准备最近的项目.一旦它们完成，对类似项查询的响应就会非常快。

编辑

一旦您知道了每个项目的顶级k相似项，您就可以为每个项目对(即两个相似项是如何相似的)或score(i,j)进行评分。

给出一个项目列表：[1,2,3]

首先，您将为列表中的每个项目找到顶级的k项。他们每个人都有一个分数。假设k=3

`[100,44,99]` are the top 3 items that are similar to item 1. 
score(1, 100) = 0.84, score(1, 44) = 0.4, score(1, 99) = 0.33
score(2, 44 ) = 0.3,  score(2, 33) = 0.2, score(2, 70) = 0.15
score(3, 99)  = 0.4,  score(3, 44) = 0.15, score(3, 70) = 0.01

然后，将score([1-3],__)中所有项目的得分汇总起来，即：

score(100) = 0.84
score(44) = 0.4 + 0.3 + 0.13 = 0.83
score(99) = 0.33 + 0.2 = 0.53
score(33) = 0.2
score(70) = 0.15+0.01=0.16

排序后，您知道自上而下项应该是：

100-> 0.84
44 -> 0.83
99 -> 0.53
33 -> 0.2
70 -> 0.16

当然，在推荐项的最终列表中，您可能希望删除给定列表(用户已经拥有的项)中的任何内容。

请注意，在上面的示例中，虽然项目44以3行的形式出现，但它们的所有相似性分数都很低。我们仍然选择第100项作为最好的匹配。直觉是，我们积累相似贡献，并比较它们的累计贡献。