互聯(lián)網(wǎng)中推薦系統的示例分析

這篇文章主要介紹了互聯(lián)網(wǎng)中推薦系統的示例分析，具有一定借鑒價(jià)值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著(zhù)大家一起了解一下。

基于內容的推薦系統

根據每部電影的內容以及用戶(hù)已經(jīng)評過(guò)分的電影來(lái)判斷每個(gè)用戶(hù)對每部電影的喜好程度，從而預測每個(gè)用戶(hù)對沒(méi)有看過(guò)的電影的評分。

電影內容矩陣X * 用戶(hù)喜好矩陣θ = 電影評分表

那么，用戶(hù)喜好矩陣θ（用戶(hù)對于每種不同類(lèi)型電影的喜好程度）如何求解呢？

用戶(hù)喜好矩陣θ的代價(jià)函數：

其中，正則化項為防止過(guò)擬合。

• 優(yōu)點(diǎn)：

            （1）不存在商品冷啟動(dòng)問(wèn)題

            （2）可以明確告訴用戶(hù)推薦的商品包含哪些屬性

• 缺點(diǎn)：

             （1）需要對內容進(jìn)行透徹的分析

             （2）很少能給用戶(hù)帶來(lái)驚喜

             （3）存在用戶(hù)冷啟動(dòng)的問(wèn)題

基于協(xié)同過(guò)濾的推薦系統

根據電影評分表和用戶(hù)喜好矩陣θ，來(lái)求得電影內容矩陣X。然后，將電影內容矩陣X與用戶(hù)喜好矩陣θ相乘，這樣就得到了一個(gè)完整的電影評分表。

所以，基于協(xié)同過(guò)濾的電影推薦就是根據每個(gè)用戶(hù)對于每種電影類(lèi)型的喜好程度以及用戶(hù)已經(jīng)評過(guò)分的電影來(lái)推斷每部電影的內容，從而預測每個(gè)用戶(hù)對沒(méi)有看過(guò)的電影的評分。

那么，如何求解電影內容矩陣X呢？

電影內容矩陣X的代價(jià)函數：

用戶(hù)喜好矩陣X的獲?。?/p>

（1）通過(guò)在線(xiàn)問(wèn)卷調查來(lái)獲取用戶(hù)對電影的評價(jià)，但并不是所有的用戶(hù)都會(huì )填寫(xiě)，就算填寫(xiě)了，也不一定全部是正確信息；

（2）通過(guò)一種更高效的方式來(lái)同時(shí)求解電影內容矩陣X和用戶(hù)喜好矩陣θ.

通過(guò)前面，可以看到電影內容矩陣X和用戶(hù)喜好矩陣θ，它們的第一項是相同的，因此，我們可以將這兩個(gè)公式合并為一個(gè)公式來(lái)同時(shí)求解X與θ，這種方法的好處就是只用搜集用戶(hù)對電影的評分。

目標是最小化這個(gè)代價(jià)函數，隨機初始化X和θ，通過(guò)梯度下降法或其他優(yōu)化算法求解。

（1）基于item的協(xié)同過(guò)濾

 先計算商品之間的相似度，然后根據商品之間的相似度來(lái)向用戶(hù)進(jìn)行推薦，如：用戶(hù)購買(mǎi)了硬盤(pán)，則很有可能向用戶(hù)推薦u盤(pán)，因為硬盤(pán)和u盤(pán)具有相似性。

在基于item的協(xié)同過(guò)濾中，只需要用戶(hù)對商品的評分，首先需要計算商品之間的相似度。

如何度量商品之間的相似度？

計算出商品之間的相似度之后， 我們就能夠預測用戶(hù)對商品的評分。

：商品i 與其他商品的相似度

：用戶(hù)u對其他商品的評分

分母：與商品 i 相似的商品的相似度的總和

表達的是：根據用戶(hù)u對其他和商品 i 相似的商品的評分來(lái)推斷用戶(hù)對商品 i 的評分。 當求出用戶(hù)u對所有商品的預測評分后，將其進(jìn)行排序，選擇得分最高的商品推薦給用戶(hù)。

（2）基于用戶(hù)的協(xié)同過(guò)濾

基本思想：假設我們要對用戶(hù)A進(jìn)行推薦，首先要找到與用戶(hù)相似的其他用戶(hù)，看其他用戶(hù)都購買(mǎi)過(guò)其他商品，把其他用戶(hù)購買(mǎi)的商品推薦給用戶(hù)A。

這時(shí)就需要度量用戶(hù)之間的相似度，與基于item的協(xié)同過(guò)濾類(lèi)似：

：用戶(hù)u對商品 i 的評分

：用戶(hù)u對這些商品評分的平均值

計算了用戶(hù)之間的相似度之后就可以預測用戶(hù)對商品的評分。

 商品評分公式：

公式表示：根據與用戶(hù)u相似的其他用戶(hù)對商品i 的評分來(lái)推斷用戶(hù)u對商品i 的評分。 當求出用戶(hù)u對所有商品的預測評分后，將其進(jìn)行排序，選擇得分最高的幾個(gè)商品推薦給用戶(hù)。

• 基于協(xié)同過(guò)濾推薦系統的優(yōu)點(diǎn)：

（1）能夠根據各個(gè)用戶(hù)的歷史信息推斷出商品的質(zhì)量

（2）不需要對商品有任何專(zhuān)業(yè)領(lǐng)域的知識

• 缺點(diǎn)：

（1）冷啟動(dòng)問(wèn)題

（2）gray sheep

（3）協(xié)同過(guò)濾的復雜度會(huì )隨著(zhù)商品數量和用戶(hù)數量的增加而增加

（4）同義詞的影響

（5）shilling attack：對競爭對手的商品專(zhuān)門(mén)打低分，對自己的商品打高分

日常生活中，我們每個(gè)人其實(shí)都直接或者間接接觸過(guò)推薦系統，也都享受過(guò)推薦系統帶來(lái)的生活上便利。