推荐学习笔记-协同过滤2

书接上文 推荐学习笔记-协同过滤

显式数据: 用户的评分,like or unlike等

隐式数据: 用户点击,购买记录,在某个页面停留时间,播放次数等

调整的余弦相似度:

推荐学习笔记-协同过滤2_第1张图片, 对于用户每个评分都要减去该用户平均评分作为他的最终评分,然后计算相似度

Slope One:

解释是一个物品别人的评分比另一个物品高,那给你的预测也是如此。

分两步:第一步,算出所有物品两两之间的偏差(deviation)。 第二步,做出预测,比如你评分A为3分,而B物品评分比A高一分,所以预测你对B物品的评分是4分。

第一步计算的公式是

用户对j物品的评分减去i物品的评分之和 除以对这两物品评分的用户总数。

card(Sj,i(X)) 是同时给物品j, i评分的人数

第二步预测公式,加权Slope one:

ui 是用户u对i物品的评分

devj,i 是物品j与物品i之间的偏差(这在第一步算过)

cj,i 是计算物品i, j偏差时,参与的人数 即第一步的card(Sj,i(X))

 

你可能感兴趣的:(推荐学习笔记-协同过滤2)