解决长尾效应的相似度(用于推荐)

解决长尾效应的相似度(用于推荐)

wbcosine(Web Scale Cosine Similarity)

解决长尾效应的相似度(用于推荐)_第1张图片
其中, U i U_i Ui是浏览商品i的用户集合,如果 W u = 1 W_u=1 Wu=1,那么就是标准的余弦函数。一般取 W u = 1 log ⁡ 2 ( 3 + q u ) W_u = \frac{1}{\log_2(3+q_u)} Wu=log2(3+qu)1,其中 q u q_u qu是用户浏览的商品数,也就是说用户越活跃贡献越小。但是只是打压了热门用户,没有改变热门商品。

Swing

解决长尾效应的相似度(用于推荐)_第2张图片
其中, U i U_i Ui是浏览商品i的用户集合, I u I_u Iu是用户u浏览过的物品集合; α \alpha α是一个平滑常数,一般为1.

主要思想就是,如果大量用户同时喜欢两个物品,且这些用户之间的相关性低,那么这两个物品就是强相关的。

对活跃用户进行惩罚
解决长尾效应的相似度(用于推荐)_第3张图片

你可能感兴趣的:(recommendation,systems,人工智能)