标签:评分 推荐 unobserved 矩阵 用户 item 算法 BPR
1 介绍
根据已有的用户对item的评分, 来推荐下一个时间用户可能喜欢的items。
2 Pre-processing
只保存用户对item的评分为4 或者 5 的, 将这一类统一设置为1 , 其他所有的评分为1 2 3的或者unobserved全部设置为0
3 算法思想
利用两个矩阵, 用户embedding矩阵 U , 物品embedding矩阵V, 预测的规则是:
b i b_i bi表示items的bias , 值越高表示物品越受欢迎
找到 一个pair (u, i),表示的含义是用户u对item i给了高的评分 ,然后在找到一个pair(u, j) , 表示的含义是用户u对item j是unobserved的状态, 之后计算:
这个算法的核心思想就是要不断的拉大这个差值 , 直观感受是用户给了高评分的预测值就要高, unobserved的预测值就要低 ,最终的优化函数是:
其中:
最后利用梯度下降优化参数。数据集使用的是ml100k
标签:评分,推荐,unobserved,矩阵,用户,item,算法,BPR 来源: https://blog.csdn.net/weixin_43907580/article/details/120546544
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。