- 综合排序
- 最热优先
- 最新优先
- 来自专栏人工智能与演化计算成长与进阶
16推荐系统3-4协同过滤算法
参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 16.3 协同过滤 Collaborative filtering 推荐系统有一个很有意思的特性就是 特征学习 ，即 自行学习所要使用的特征 Note 对于上述电影推荐系统的问题仅仅建立在每位用户都对数个电影进行了评价，并且每部电影都被数位用户评价过的情况下，这样才能重复这个迭代过程来估计出 和 协同过滤算法 指的是当你执行算法时，要观察大量的用户的实际行为来协同地得到更佳的每个人对电影的评分值 把这两个特点结合起来就能得到真正的协同过滤算法。 如果你有电影的特征，你就可以解出以下的最小化问题，找到用户参数 ? 协同过滤算法可以同时学习这两者。我们的优化目标便改为同时针对 x 和 θ 进行。 ? 协同过滤算法使用步骤： 初始 x(1),x(2),...,x(nm)，θ(1),θ(2),...
89811发布于 2020-08-14 - 来自专栏学习与分享
协同过滤算法
协同过滤算法是一类常用于推荐系统的算法，它基于用户之间或物品之间的相似性进行推荐。主要分为两种类型：基于用户的协同过滤和基于物品的协同过滤。以下是对这两种协同过滤算法的详细讲解： 1. 基于用户的协同过滤 1.1 思想 基于用户的协同过滤是通过分析用户之间的相似性来进行推荐。 混合型协同过滤 为了克服基于用户和基于物品的协同过滤各自的缺点，也有一些算法将它们结合起来，形成混合型协同过滤算法。 3.1 混合型协同过滤的思想 混合型协同过滤结合了基于用户和基于物品的协同过滤算法，充分利用它们的优点，以提高推荐系统的准确性和鲁棒性。 4.简单实例 实现协同过滤算法涉及到大量的数学和编程细节。在这里，我将给出一个简化的例子，用于说明基于用户的协同过滤算法的基本步骤。实际应用中，你可能需要更复杂的技术和数据处理。
1.2K10编辑于 2024-02-20 - 来自专栏全栈程序员必看
协同过滤算法
协同过滤算法 协同过滤（Collaborative Filtering）推荐算法是最经典、最常用的推荐算法。 目前应用比较广泛的协同过滤算法是基于邻域的方法， 而这种方法主要有下面两种算法： * **基于用户的协同过滤算法(UserCF)**: 给用户推荐和他兴趣相似的其他用户喜欢的产品 * **基于物品的协同过滤算法 基于物品的协同过滤算法和基于用户的协同过滤算法很像， 所以我们这里直接还是拿上面Alice的那个例子来看。 图4为集合了该权重的算法。
### 9. 协同过滤算法的问题分析 协同过滤算法存在的问题之一就是**泛化能力弱**， 即协同过滤无法将两个物品相似的信息推广到其他物品的相似性上。 4.**协同过滤还存在其他什么缺陷？有什么比较好的思路可以解决（缓解）？1.3K20编辑于 2022-09-06 - 来自专栏share ai happiness
算法推荐 — 协同过滤
CF协同过滤算法 求解评分矩阵的一种典型方法是：ALS，在spark-mllib库中有实现好的api； ? ? CF协同过滤算法推荐实战 数据加工 从各类数据中，计算出每个用户对它所接触过的物品的评分，整成如下格式： 用户id， 物品id， 评分 U001 p0001 8 U001 p0020 定义数据解析封装函数 def parseRating(str: String): Rating = { val fields = str.split("::") assert(fields.size == 4)
1.1K20发布于 2020-06-15 - 来自专栏算法研习社
协同过滤推荐算法
协同过滤技术又可依据是否采用了机器学习思想建模进一步划分为基于内存的协同过滤（Memory-based CF）与基于模型的协同过滤技术（Model-based CF）。 本文旨在对经典的协同过滤推荐算法进行总结，并通过 Python 代码实现深入理解其算法原理。 目录: 基于内存的协同过滤推荐 userCF itemCF 基于模型的协同过滤推荐 经典SVD FunkSVD BiasSVD FISM SVD++ 基于内存的协同过滤推荐 基于内存的协同过滤算法是推荐系统中最基本的算法 ，也叫做基于邻域的协同过滤，该算法不仅在学术界得到了深入研究，而且在业界得到了广泛应用。 基于邻域的算法分为两大类，一类是基于用户的协同过滤算法，另一类是基于物品的协同过滤算法。 为了描述简便，下面的算法讲解都是基于我们常见的 topN 推荐场景，而不是评分预测场景。
1.9K40发布于 2020-07-21 - 来自专栏大数据技术栈
推荐系统 —— 协同过滤
前言 作为推荐系统 这一系列的第二篇文章，我们今天主要来聊一聊目前比较流行的一种推荐算法——协同过滤； 当然，这里我们只讲理论，并不会涉及到相关代码或者相关框架的使用，在这一系列的后续文章，如果可能， 协同过滤是什么 顾名思义，协同过滤就是指用户可以齐心协力，通过不断地和网站互动，使自己的推荐列表能够不断过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。 （random walk on graph）等 而今天我们要说的 基于用户的协同过滤 就是一种 基于邻域的方法; 基于邻域的方法 又可以分为以下两种算法：。 基于物品的协同过滤算法 这种算法给用户推荐和他之前喜欢的物品相似的物品。 基于用户的协同过滤算法 给用户推荐和他兴趣相似的其他用户喜欢的物品。 推荐结果不具有可解释性，我不知道推荐给你的这个物品是什么，我只知道，你的朋友都在用 对于用户比较庞大的公司，计算用户相似度会比较麻烦 基于物品的协同过滤 上面讲完了 基于用户的协调过滤，那么我们成热打铁把
1.1K31发布于 2019-10-30 - 来自专栏数据小冰
基于用户的协同过滤算法VS基于物品的协同过滤算法
根据你喜欢的物品找出和它相似的来给你推荐 根据你给出的关键字来给你推荐，这实际上就退化成搜索算法了 根据上面的几种条件组合起来给你推荐 现有的条件就是以上这么多，至于实际情况的不同会有不同的衍生，像基于用户的协同过滤算法和基于物品的协同过滤算法就是一些典型的实例 3.基于用户的协同过滤算法vs基于物品的协同过滤算法 基于用户的协同过滤算法和基于物品的协同过滤算法两者区别在哪呢？ 首先先解释下”协同过滤”: 所谓协同就是大家一起帮助啦，过滤就是把大家讨论的结果告诉你，不然原始信息量太大了。很明显啦，两者的区别在于一个是基于用户，一个是基于物品。 4.常用的相似度衡量标准 欧氏距离算法 余弦距离算法 Jaccard距离算法 皮尔逊距离算法 …….
2.7K20编辑于 2022-08-15 - 来自专栏机器学习算法原理与实践
SimRank协同过滤推荐算法
在协同过滤推荐算法总结中，我们讲到了用图模型做协同过滤的方法，包括SimRank系列算法和马尔科夫链系列算法。现在我们就对SimRank算法在推荐系统的应用做一个总结。 1. 如果用户1和3类似，那么我们可以说和它们分别相连的物品2和4也类似。 如果我们的二部图是$G(V,E)$，其中V是节点集合，E是边集合。 4. SimRank++算法原理 SimRank++算法对SimRank算法主要做了两点改进。第一点是考虑了边的权值，第二点是考虑了子集节点相似度的证据。
1.7K10发布于 2018-08-14 - 来自专栏机器学习算法原理与实践
协同过滤推荐算法总结
推荐算法种类很多，但是目前应用最广泛的应该是协同过滤类别的推荐算法，本文就对协同过滤类别的推荐算法做一个概括总结，后续也会对一些典型的协同过滤推荐算法做原理总结。 1. 4）基于规则的推荐：这类算法常见的比如基于最多用户点击，最多用户浏览等，属于大众型的推荐方法，在目前的大数据时代并不主流。 协同过滤推荐概述 协同过滤(Collaborative Filtering)作为推荐算法中最经典的类型，包括在线的协同和离线的过滤两部分。 我们可以简单比较下基于用户的协同过滤和基于项目的协同过滤：基于用户的协同过滤需要在线找用户和用户之间的相似度关系，计算复杂度肯定会比基于基于项目的协同过滤高。但是可以帮助用户找到新类别的有惊喜的物品。 3.8 用隐语义模型做协同过滤 隐语义模型主要是基于NLP的，涉及到对用户行为的语义分析来做评分推荐，主要方法有隐性语义分析LSA和隐含狄利克雷分布LDA，这些等讲NLP的再专门讲。 4.
2K20发布于 2018-08-14 - 来自专栏全栈程序员必看
JAVA协同过滤推荐算法
1、什么是协同过滤 在推荐系统众多方法中，基于用户的协同过滤推荐算法是最早诞生的，原理也较为简单。该算法1992年提出并用于邮件过滤系统，两年后1994年被 GroupLens 用于新闻过滤。 相似度计算过程 假设目前共有4个用户： A、B、C、D；共有5个物品：a、b、c、d、e。用户与物品的关系（用户喜欢物品）如下图所示： 如何一下子计算所有用户之间的相似度呢？
2.4K10编辑于 2022-07-23 - 来自专栏数据科学与人工智能
【机器学习】协同过滤算法
在现今的推荐技术和算法中，最被大家广泛认可和采用的就是基于协同过滤的推荐方法。本文将带你深入了解协同过滤的秘密。下面直接进入正题 1 什么是协同过滤 协同过滤是利用集体智慧的一个典型方法。 要理解什么是协同过滤 (Collaborative Filtering, 简称 CF)，首先想一个简单的问题，如果你现在想看个电影，但你不知道具体看哪部，你会怎么做？ 这就是协同过滤的核心思想。 换句话说，就是借鉴和你相关人群的观点来进行推荐，很好理解。 2 协同过滤的实现 要实现协同过滤的推荐算法，要进行以下三个步骤： 收集数据——找到相似用户和物品——进行推荐 收集数据 这里的数据指的都是用户的历史行为数据，比如用户的购买历史，关注，收藏行为，或者发表了某些评论 在协同过滤中，有两种主流方法：基于用户的协同过滤，和基于物品的协同过滤。
1K60发布于 2018-02-27 - 来自专栏数据挖掘与AI算法
协同过滤推荐算法（二）
一、概述 上节课我们详细介绍了基于用户的协同过滤算法（User-CF）的原理以及实现代码协同过滤推荐算法（一），本节课我们继续介绍协同过滤算法的另外一个常用算法—基于物品的协同过滤算法（Item-CF） 二、基于物品的协同过滤算法 基于物品的协同过滤算法（Item-CF，下面简称Item-CF算法）与User-CF类似，协同过滤算法的核心在于找相似性。 ） 根据上节课，H&M（3,4,4.5,0）与优衣库（4,4,0,3）由余弦距离公式可以得到 分子：3*4+4*4+4.5*0+0*3=28 分母：sqrt(3^2 + 4^2 + 4.5^2+0^2) 三、总结 到这里协同过滤的两种常用的算法User-CF以及Item-CF就全部介绍完了，当然最近两节课都主要在介绍协同过滤推荐算法的相似性原理以及计算，而衡量相似性的方法有很多，这里只是简单用余弦相似性进行说明 不过老shi还是希望大家能从这两节课中学有所获，真正掌握协同过滤推荐算法的基本原理。如果喜欢老shi的文章，可以分享、收藏、点赞加关注，感谢大家的支持！
1K20发布于 2021-03-18 - 来自专栏数据挖掘与AI算法
协同过滤推荐算法（一）
在目前主流的推荐算法中，使用最多也是最经典的，当属协同过滤算法！ 1、什么是协同过滤 首先，我们还是简单介绍一下，什么是协同过滤。 也就是协同过滤中两种非常常用的算法：基于用户的协同过滤算法（User-CF）以及基于物品的协同过滤算法（Item-CF）。 为了减轻大家的阅读压力，本文将重点先介绍基于用户的协同过滤算法（User-CF）。 2、基于用户的协同过滤算法 基于用户的协同过滤算法（下面简称User-CF算法）简单来说就是给用户推荐与他兴趣相似的其他用户喜欢的物品，例如，我和小明兴趣相似，都喜欢数码产品，那么当我在电商平台搜索某个数码产品时 4、总结 以上就是User-CF算法的全部原理的详细讲解，希望对大家有帮助，最后附上User-CF实现的核心代码模块，有兴趣的同学可以手动去尝试实现，下节课给大家带来基于物品的协同过滤算法（Item-CF
1.2K21发布于 2021-03-18 - 来自专栏图与推荐
双通道超图协同过滤
背景介绍 协同过滤是在推荐领域非常普及的一种基础建模方式，传统协同过滤存在两个主要问题：1. user 和 item 之间的高阶相关性建模不充分；2. 针对以上两个问题，论文提出了双通道超图卷积网络协同过滤的框架DHCF（Dual Channel Hypergraph Collaborative Filtering）： 1. 为了学习到 user 和 item 各自不同 embedding 表示方式，在协同过滤的框架中引入了divide-and-conquer 分治策略，双方先划分为 user channel 和 item 这样在保持它们的特定属性的情况下，形成一个双通道协同过滤框架。 2. 方法介绍 2.1 基本定义 Hypergraph主要特点是一条边可以连接任意数量的顶点，即一个点集。 创新点 分 User 和 Item Channel 进行学习，形成一个双通道协同过滤框架，同时使用超图来显式地建模 user、item 中的高阶相关性，以更合理的方式对图所包含的信息进行提取。
62820编辑于 2022-03-18 - 来自专栏大数据风控
R中协同过滤算法
协同过滤（Collaborative Filtering,简称CF） 协同过滤常常被用于分辨某位特定顾客可能感兴趣的东西，这些结论来自于其他相似顾客对哪些产品感兴趣的分析。 数据结构 协同过滤，主要收集每个用户对使用过的物品的评价。 评价可以理解为经常在电商网站上出现的，五星级的评分。 注意：不同用户的评分标准不同，所以需要对评分进行标准化处理。 实现协同过滤的API （API就是操作系统留给应用程序的一个调用接口，应用程序通过调用操作系统的 API 而使操作系统去执行应用程序的命令） install.packages(“recommenderlab ”) Recommender(x,method=”UBCF”,parameter) 1、x 训练样本 2、method 推荐方法，UBCF为基于用户的协同过滤方法 3、parameter ，我们经常可以电商网站中看到猜你喜欢之类的栏目，就是根据协同过滤算法得到的结果！
1.4K50发布于 2018-01-09 - 来自专栏刘建银的专栏
推荐算法之协同过滤
基于用户(User-based)的协同过滤推荐算法原理和实现 基于用户的协同过滤推荐算法是最早诞生的，原理也较为简单。 假设目前共有4个用户： A、B、C、D；共有5个物品：a、b、c、d、e。用户与物品的关系（用户喜欢物品）如下图所示： 如何一下子计算所有用户之间的相似度呢？ 整个过程可以用一张图简单的如下： 优点 以使用者的角度来推荐的协同过滤系统有下列优点: 能够过滤机器难以自动内容分析的资讯，如艺术品，音乐等。 缺点 虽然协同过滤作为一推荐机制有其相当的应用，但协同过滤仍有许多的问题需要解决。 基于物品(Item-based)的协同过滤推荐算法原理和实现 item based collaborative filtering称为基于物品的协同过滤算法，简称Item CF，是目前业界应用最广的算法
5.4K21发布于 2017-07-20 - 来自专栏数据科学与人工智能
【算法】推荐算法--协同过滤
笔者邀请您，先思考： 1 协同过滤算法的原理？ 2 协同过滤算法如何预测？ 什么是协同过滤 协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。 其中，基于启发式的协同过滤算法，又可以分为基于用户的协同过滤算法（User-Based）和基于项目的协同过滤算法（Item-Based）。 1.4通过例子理解 假设有如下电子商务评分数据集，预测用户C对商品4的评分。 ? 电子商务评分数据集 表中？表示评分未知。根据基于用户的协同过滤算法步骤，计算用户C对商品4的评分，其步骤如下所示。 C用户与D 用户的相似度 （2）预测用户C对商品4的评分 根据上述评分预测公式，计算用户C对商品4的评分，如下所示： ? 用户C对商品4的评分 依此类推，可以计算出其他未知的评分。
7.4K21发布于 2018-07-30 - 来自专栏项目文章
【基于协同过滤算法的推荐系统项目实战-2】了解协同过滤推荐系统
基于协同过滤的推荐算法：是目前比较主流的一个推荐算法。 基于内容的推荐算法：是通过打标签进行推荐的，可以基于特征向量对内容自动打标签。 （以前是人工打标签，现在可以自动打标签了） 基于模型的推荐算法：解决协同过滤算法的数据稀疏性的问题。 2.3 基于协同过滤的推荐算法 基于用户的协同过滤：是指兴趣相近的用户会对同样的物品感兴趣。 基于物品的协同过滤：是指推荐给用户他们喜欢的物品相似的物品。 协同过滤是为了解决数据稀疏，为此我们进行特征分解，把评分矩阵不全，进行降维。通过奇异值分解来进行特征分解，提出了SVD，但是SVD过于复杂，又提出了PMF。 4、推荐系统效果评测 4.2 模型离线实验 1、模型离线实验：将数据集分为训练数据和测试数据集。在训练集上训练推荐模型，在测试集上进行预测。最后通过预定的指标来评测测试集上的预测结果。
85210编辑于 2024-06-07 - 来自专栏小樱的经验随笔
Collaborative Filtering(协同过滤)算法详解
基本思想 基于用户的协同过滤算法是通过用户的历史行为数据发现用户对商品或内容的喜欢(如商品购买，收藏，内容评论或分享)，并对这些喜好进行度量和打分。 基于用户协同过滤算法的原理图 所以，协同过滤算法主要分为两个步骤： 1、寻找相似的用户集合； 2、寻找集合中用户喜欢的且目标用户没有的进行推荐。 Item CF 前面介绍了 User CF 和 Item CF 的基本原理，下面我们分几个不同的角度深入看看它们各自的优缺点和适用场景： 计算复杂度 Item CF 和 User CF 是基于协同过滤推荐的两个最基本的算法 首先，这些模型在协同过滤中的表现十分出色。 {SparkConf, SparkContext} import org.jblas.DoubleMatrix /** * 协同过滤(处理对象movie,使用算法ALS:最小二乘法(实现用户推荐)
7.1K91发布于 2018-04-08 - 来自专栏机器学习算法与Python学习
协同过滤原理及Python实现
协同过滤是在海量数据中挖掘出小部分与你品味类似的用户，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的东西组织成一个排序的目录推荐给你。 协同过滤算法的出现标志着推荐系统的产生，协同过滤算法包括基于用户和基于物品的协同过滤算法。 2. 当然从这一步开始，分为两方面，分别是基于用户的协同过滤和基于物品的协同过滤。 （2）基于物品的协同过滤算法 跟上述的基于用户的协同过滤算法类似，但它从物品本身，而不是用户角度。 关于协同过滤的文章，可以参考这里：http://www.tuicool.com/articles/ 6vqyYfR 3. 协同过滤的实现 上面已经介绍了协同过滤的核心思想，现在就来实战一下吧！
1.6K61发布于 2018-04-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号