推荐算法实现思路

最经典的推荐算法：协同过滤推荐算法

算法思想：物以类聚，人以群分
基本的协同过滤推荐算法基于以下假设：

• “跟你喜好相似的人喜欢的东西你也很有可能喜欢” ：基于用户的协同过滤推荐（User-based CF）
• “跟你喜欢的东西相似的东西你也很有可能喜欢 ”：基于物品的协同过滤推荐（Item-based CF）

• 相似度计算：使用pandas的corr()方法来计算相似度

• 结果如下：
  

• 评分预测公式
  

• 使用用户间的相似度进行预测：
  

• 使用物品间的相似度进行预测：
  

• 案例–基于协同过滤的电影推荐
  分别就算出用户1对各种电影的评分
  

然后进行排序，挑选评分排名前20的电影

基于回归模型的协同过滤推荐

预测用户对物品的评分：

举例：通过Baseline来预测用户A对电影“阿甘正传”的评分

• 首先计算出整个评分数据集的平均评分 μ 是3.5分

• 用户A比较苛刻，普遍比平均评分低0.5分，即用户A的偏置值 bi 是-0.5；

• “阿甘正传”比较热门且备受好评，评分普遍比平均评分要高1.2分，“阿甘正传”的偏置是+1.2

• 因此就可以预测出用户A对电影“阿甘正传”的评分为： 3.5+(−0.5)+1.2 ​，也就是4.2分。

• 利用平方差构建损失函数
  
  

• 梯度下降参数更新公式
  

LFM算法思路

• 利用平方差来构建损失函数：
  

加入L2正则化

• 梯度下降更新参数 puk和qik：
  

BiasSvd算法思路

• 利用BiasSvd预测用户对物品的评分，k表示隐含特征数量：
  

• 利用平方差来构建损失函数
  

• 梯度下降更新参数
  

基于内容的电影推荐

用户画像构建步骤：

• 根据用户的评分历史，结合物品画像，将有观影记录的电影的画像标签作为初始标签反打到用户身上
• 通过对用户观影标签的次数进行统计，计算用户的每个初始标签的权重值，排序后选取TOP-N作为用户最终的画像标签

物品画像构建步骤：

• 利用每部电影的标签作为电影的候选关键词
• 利用TF·IDF计算每部电影的标签的tfidf值，选取TOP-N个关键词作为电影画像标签
• 将电影的分类词直接作为每部电影的画像标签