- 综合排序
- 最热优先
- 最新优先
- 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 () // 划分训练数据与测试数据集 val Array(training, test) = ratings.randomSplit(Array(0.8, 0.2)) // 基于训练数据构建ALS推荐模型 训练模型（求解方程组） val model = als.fit(training) // 基于RMSE对test数据集的预测结果进行模型评估 // 设置冷启动策略为drop，对于新注册用户避免产生空推荐矩阵 top10个物品 val userRecs: DataFrame = model.recommendForAllUsers(10) // 为每个物品推荐top10个用户 val movieRecs =
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 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。 （User CF） 基于用户的协同过滤推荐，一句话概括就是，给用户 A 推荐与其兴趣相似的朋友们喜欢而用户 A 还没听说过的物品。
1.8K40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。 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。 基于用户的协同过滤 原理 给用户推荐和他兴趣相似的其他用户喜欢的物品。 实现步骤： 找到和目标用户兴趣相似的用户集合。 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。 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. SimRank推荐算法的图论基础 SimRank是基于图论的，如果用于推荐算法，则它假设用户和物品在空间中形成了一张图。而这张图是一个二部图。 对于我们的推荐算法中的SimRank，则二部图中的两个子集可以是用户子集和物品子集。而用户和物品之间的一些评分数据则构成了我们的二部图的边。 ? 2. SimRank推荐算法思想 对于用户和物品构成的二部图，如何进行推荐呢？ SimRank小结 作为基于图论的推荐算法，目前SimRank算法在广告推荐投放上使用很广泛。而图论作为一种非常好的建模工具，在很多算法领域都有广泛的应用，比如我之前讲到了谱聚类算法。
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. 目前绝大多数实际应用的推荐算法都是协同过滤推荐算法。 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。 一般来说，协同过滤推荐分为三种类型。 一般对于小型的推荐系统来说，基于项目的协同过滤肯定是主流。但是如果是大型的推荐系统来说，则可以考虑基于用户的协同过滤，当然更加可以考虑我们的第三种类型，基于模型的协同过滤。
2K20发布于 2018-08-14 - 来自专栏刘建银的专栏
推荐算法之协同过滤
目前用的比较多、比较成熟的推荐算法是协同过滤（Collaborative Filtering，简称CF）推荐算法，CF算法分为两大类，一类为基于memory的（Memory-based），另一类为基于Model 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。 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。 一直到2000年，该算法都是推荐系统领域最著名的算法。 在一个在线个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A。 推荐物品 首先需要从矩阵中找出与目标用户 u 最相似的 K 个用户，用集合 S(u, K) 表示，将 S 中用户喜欢的物品全部提取出来，并去除 u 已经喜欢的物品。 对于每个候选物品 i ，用户 u 对它感兴趣的程度用如下公式计算： 其中 rvi 表示用户 v 对 i 的喜欢程度，在本例中都是为 1，在一些需要用户给予评分的推荐系统中，则要代入用户评分。
2.4K10编辑于 2022-07-23 - 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。 T恤的话，最适合推荐的就是优衣库，其次是韩都衣舍和ONLY，李宁相对不适合推荐。 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）
上节课我们简单介绍了推荐系统的总体框架思路，从本节课开始我们将对推荐系统中的核心算法进行详细讲解。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。所谓协同过滤，它的基本思想是根据用户历史的喜好或者与目标用户兴趣相近的其他用户的选择来给目标用户推荐物品。 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
1.2K21发布于 2021-03-18 - 来自专栏数据科学与人工智能
【算法】推荐算法--协同过滤
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。 协同过滤是迄今为止最成功的推荐系统技术，被应用在很多成功的推荐系统中。电子商务推荐系统可根据其他用户的评论信息，采用协同过滤技术给目标用户推荐商品。 协同过滤算法主要分为基于启发式和基于模型式两种。 启发式协同过滤算法主要包含3个步骤： 1）收集用户偏好信息； 2）寻找相似的商品或者用户； 3）产生推荐。 “巧妇难为无米之炊”，协同过滤的输入数据集主要是用户评论数据集或者行为数据集。 2.基于项目的协同过滤 以用户为基础的协同推荐算法随着用户数量的增多，计算的时间就会变长，所以在2001年Sarwar提出了基于项目的协同过滤推荐算法(Item-based Collaborative 3.产生推荐结果 以项目为基础的协同过滤不用考虑用户间的差别，所以精度比较差。但是却不需要用户的历史数据，或是进行用户识别。
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
1、推荐系统的关键元素 1.1 数据 数据是整个推荐系统的基石，我们需要对数据进行清洗和预处理。 1.2 算法 基于流行度的推荐算法：是基于PV、UV来进行推荐，没有个性推荐。 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。
82910编辑于 2024-06-07 - 来自专栏专知
【干货】TensorFlow协同过滤推荐实战
【导读】本文利用TensorFlow构建了一个用于产品推荐的WALS协同过滤模型。作者从抓取数据开始对模型进行了详细的解读，并且分析了几种推荐中可能隐藏的情况及解决方案。 向用户推荐巧克力是一个协同过滤问题 如何利用TensorFlow建立个性化推荐协同过滤模型 在本文中，我将通过如何使用TensorFlow’s Estimator API 来构建用于产品推荐的WALS协同过滤模型 这是进行协同过滤所需的原始数据集。很明显，你将使用什么样的visitorID、contentID和ratings将取决于你的问题。除此之外，其他一切都是相当标准的，你应该能按原样使用。 过滤 如果你向顾客推荐巧克力，那么推荐他们已经尝试过的巧克力是可以的，但如果你向用户推荐报纸文章，那么重要的是不要推荐他们已经阅读过的文章。 如果这种滞后是你想要避免的问题，那么你应该使批处理预测中的k值更高(例如，你将从推荐者那里得到20篇文章，即使你只推荐其中的5篇)，然后按照最初解决方案的建议，在AppEngine中执行二级过滤。
3.5K110发布于 2018-04-16 - 来自专栏一英里广度一英寸深度的学习
基于协同过滤的推荐系统
本文介绍了一种较基础的推荐算法，协同过滤Collaborative Filtering。基于用户购买的历史商品推荐--物品协同过滤；基于用户相似用户购买物品的推荐--用户协同过滤。 Item cf 基于物品协同过滤 1. 原理 ? 此系统中存在： 用户 A B C D 商品 a b c d 用户A购买过a、b、d；用户B购买过b、c、e。 User CF 基于用户协同过滤推荐算法 原理 ? user cf 此系统中存在： 用户 A B C D 商品 a b c d 用户A消费过a，d，b三件商品，用户D消费过a，d两件物品。 新物品、新用户推荐 UserCf，不能给新用户推荐，新用户没有行为，不能构建用户协同矩阵，无法根据相似用户给新用户推荐；新物品被一个用户行为，和这个用户相似用户会得到这个新物品推荐。 ItemCf，不能推荐新物品，该物品没有加入协同矩阵。可以给新用户推荐行为物品的相识物品。 推荐系统的可解释性 UserCf，基于相似用户推荐，很难说明相识用户的喜好 。
2.2K30发布于 2018-11-22 - 来自专栏全栈程序员必看
python 实现协同过滤推荐算法
/python3 # -*- coding: utf-8 -*- from numpy import * import time from texttable import Texttable # 协同过滤推荐算法主要分为 根据相邻用户，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表进行推荐 # 2、基于物品。 # 不同的数据、不同的程序猿写出的协同过滤推荐算法不同，但其核心是一致的： # 1、收集用户的偏好 # 1)不同行为分组 # 2)不同分组进行加权计算用户的总喜好 # 3)数据去噪和归一化 # 2、找到相似用户 根据相似度为用户进行推荐 # 本次实例过程： # 1、初始化数据 # 获取movies和ratings # 转换成数据userDict 表示某个用户的所有电影的评分集合，并对评分除以5进行归一化 # 转换成数据 格式为:{'电影ID',[A用户的评分,userId的评分]}，没有评分记为0 # 计算A用户与userId的余弦距离，越大越相似 # 3、根据相似度生成推荐电影列表 # 4、输出推荐列表和准确率
81330编辑于 2022-07-25 - 来自专栏活动
混合推荐系统：结合协同过滤与内容推荐
其基本原理如下： 协同过滤 协同过滤推荐系统通过分析用户之间的相似性，推荐相似用户喜欢的内容。 特征级融合：将协同过滤和内容推荐的特征进行融合，构建统一的特征空间，利用机器学习算法进行推荐。 模型级融合：通过集成学习方法，将协同过滤和内容推荐的模型进行融合，生成最终的推荐结果。 协同过滤模型 使用Surprise库实现基于用户的协同过滤。 混合推荐 结合协同过滤和内容推荐结果，生成最终推荐。 结合协同过滤和内容推荐结果，生成最终推荐。 协同过滤模型：使用Surprise库实现基于用户的协同过滤。通过计算用户之间的相似度，推荐相似用户喜欢的内容。 混合推荐：结合内容推荐和协同过滤的结果，生成最终推荐。
1.6K10编辑于 2024-08-07 - 来自专栏全栈程序员必看
基于协同过滤的电影推荐系统的设计与实现(协同过滤推荐算法伪代码)
例如，当你在网上购书时，你总是购买与历史相关的书籍，那么基于内容的推荐引擎就会给你推荐一些热门的历史方面的书籍。 • 基于协同过滤的推荐引擎：它将推荐给用户一些与该用户品味相似的其他用户喜欢的内容。 例如，当你在网上买衣服时，基于协同过滤的推荐引擎会根据你的历史购买记录或是浏览记录，分析出你的穿衣品位，并找到与你品味相似的一些用户，将他们浏览和购买的衣服推荐给你。 下图为用户初始登录界面，可供选择的推荐引擎有基于用户、基于物品和基于Slope One的协同过滤推荐算法。 推荐结果显示 当选择使用本项目的基于用户的协同过滤推荐策略时，推荐结果显示时间较为缓慢，大约为80秒才能得到推荐结果。总结原因是因为要从数据库获取大量数据并进行实时计算相似度。 当选择使用基于物品的协同过滤推荐引擎时，结果的显示速度明显上升，而且可以很直观地看出所推荐的电影质量比基于用户的协同过滤要高一些。
3.2K30编辑于 2022-07-28 - 来自专栏用户画像
最小推荐系统:协同过滤（Collaborative Filtering)
当UGC/PUGC社区发展到一定规模，需要从人工推荐(热门榜单、编辑推荐等策略)转向算法推荐信息流展示给用户。 我们希望推荐系统在推荐给用户喜欢的条目的同时，能有效地扭转这种不健康的分布。在处理2）的过程中，我们需要频繁的调整各种参数，也就希望推荐系统有很高的可解释性。 这种情况下，最为传统的推荐算法——协同过滤 的优势就显示出来了。 协同过滤算法基于一个基础的强预设：在观测到用户消费过条目A之后，我们有很高的可能性观测到用户会喜欢与A相似的条目B（Item CF）以及 相似的用户可能喜欢同一个条目。 所以协同过滤的核心在于描述条目和用户的相似性。 ? 在当今的技术环境下，协同过滤只适合用于最基础的解决方案，或者Hybrid System中的一个权重不高的条目。
95630发布于 2020-06-23 - 来自专栏IT技术精选文摘
协同过滤推荐算法Java代码实现
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。 大部分的人会问问周围的朋友，看看最近有什么好看的电影推荐，而我们一般更倾向于从口味比较类似的朋友那里得到推荐。这就是协同过滤的核心思想。 协同过滤一般是在海量的用户中发掘出一小部分和你品位比较类似的，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的其他东西组织成一个排序的目录作为推荐给你。 协同过滤相对于集体智慧而言，它从一定程度上保留了个体的特征，就是你的品位偏好，所以它更多可以作为个性化推荐的算法思想。 协同过滤的步骤是： 创建数据模型 —> 用户相似度算法—>用户近邻算法 —>推荐算法。 基于用户的协同过滤算法在Mahout库中已经模块化了，通过4个模块进行统一的方法调用。
9.1K81发布于 2018-01-30 - 来自专栏最新最全的大数据技术体系
音乐推荐系统协同过滤算法解释
/** * 此方法使用协同过滤算法，大概意思就是从数据库拿到所有的用户收藏和当前的用户收藏作为比对，找出和当前用户收藏夹最接近的一个用户， * 然后将那个用户的收藏中当前登录用户没有的展示给当前用户 method = RequestMethod.GET) public String getRecommendList(Model model, HttpServletRequest request) {// 协同过滤算法 这个集合的长度=所有用户收藏的歌曲的长度，所以说all集合的长度为10 // 创建用户推荐map，数据结构为 key:Integer 对应用户id value:List 对应一个广告的id集合 HashMap getUser_id(); //第一次循环 userId=1 int movieid = all.get(i).getMovie_id(); // 第一次循环 movie_id=2 // 如果推荐 // 最大值就位两者之比 maxValue = ratio; // maxId = 当前循环的用户 maxId = key; } } } // 创建歌曲推荐列表
91220编辑于 2022-02-24 - 来自专栏JavaEdge
深入推荐系统相关算法 - 协同过滤
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。 协同过滤一般是在海量的用户中发掘出一小部分和你品位比较类似的，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的其他东西组织成一个排序的目录作为推荐给你。 深入协同过滤的核心 前面作为背景知识，介绍了集体智慧和协同过滤的基本思想，这一节我们将深入分析协同过滤的原理，介绍基于协同过滤思想的多种推荐机制，优缺点和实用场景。 通过以上的介绍，相信大家已经对协同过滤推荐的各种方法，原则，特点和适用场景有深入的了解，下面我们就进入实战阶段，重点介绍如何基于 Apache Mahout 实现协同过滤推荐算法。 除此之外，本文还介绍了如何基于 Apache Mahout 高效实现协同过滤推荐算法，Apache Mahout 关注海量数据上的机器学习经典算法的高效实现，其中对基于协同过滤的推荐方法也提供了很好的支持
1.1K20发布于 2018-12-28
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