分类 推荐系统 下的文章

前言本篇将主要介绍基于系统过滤的推荐系统及其Python实现。协同过滤思想协同过滤（collabrotive filtering）是商品销售（尤其是网店）常用的推荐方法，分为基于用户（user-based）和基于商品（item-based）两种情况，整体思想是在已经有销售记录的数据库中，从用户购买的历史商品数据中找到用户或产品的相似度，然后对用户做[...]

LFM算法简介LFM算法是属于隐含语义模型的算法，不同于基于邻域的推荐算法。隐含语义模型有：LFM，LDA，Topic Model对于基于邻域的机器学习算法来说，如果要给一个用户推荐商品，那么有两种方式：一种是基于物品的，另一种是基于用户的。基于物品的是从该用户之前的购买商品中，推荐给他相似的商品。基于用户的是找出于该用户相似的用户，然后推荐给他相[...]

1、什么是上下文之前提到的推荐系统算法主要集中研究了如何联系用户兴趣和物品，将最符合用户兴趣的物品推荐给用户，但这些算法都忽略了一点，就是用户所处的上下文(context)。这些上下文包括用户访问推荐系统的时间、地点、心情等，对于提高推荐系统的推荐系统是非常重要的。比如，一个卖衣服的推荐系统在冬天和夏天应该给用户推荐不同种类的服装。推荐系统不能因为[...]

协方差链接：https://baike.baidu.com/item/%E5%8D%8F%E6%96%B9%E5%B7%AE皮尔逊相关系数链接：https://dwz.cn/2taiqb17

传统上，构建推荐系统有两种方法：（1）基于内容的推荐（2）协同过滤第一种方法需要分析每一项的属性。例如，对每位诗人的诗歌作品进行自然语言处理，然后向用户推荐诗人。但是，协同过滤却不需要有关项或用户本身的任何信息，而是根据用户的过去行为进行推荐。协同过滤协同过滤（CF）是基于用户过去行为的推荐平均值。协同过滤可分两类：基于用户：测量目标用户与其他用户[...]