1. 推荐系统分类
(1)按照数据源分
基于人口统计学的推荐:主要依赖用户信息来分
基于内容(CB)的推荐:主要依赖被推荐物品的信息来分
基于协同过滤(CF)的推荐:基于近邻或基于模型;CF一上来的时候没有任何数据,所以需要结合一些获取推荐数据的方法
混合推荐:加权混合,切换混合,分区混合,分层混合
(2)基于近邻的协同过滤
基于用户(User-CF):可以利用其他用户的评价,找到与待分析用户相似评价的其他用户
基于物品(Item-CF):找获得相似用户评价的其他物品,避免CB仅依赖物品而造成的干扰
2. 推荐系统实验方法
(1)离线实验
在训练集训练,测试集测试准确率;整个过程中都在已经获得的数据上进行
优势:方便
劣势:可靠性不能保证
(2)用户调查
找真实用户来完成任务,回答问题,再做分析
(3)在线实验
AB测试:把用户分成两组,导到两套推荐系统,最后对比评测两套系统的优劣
3. 推荐准确度评测
(1)评分预测
计算 均方根误差 或 平均绝对误差
(2)TOP-N推荐
精确率(precision):所有被检索到的item中,应该被检索的所占比例
召回率(recall):正确检索的item占所有应该被正确检索的item的比例
标签:检索,基于,机器,推荐,用户,CF,学习,item 来源: https://www.cnblogs.com/Kinghao0319/p/15383413.html
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。