配套讲义、代码57.协同过滤推荐算法.pptxVIP

协同过滤推荐算法主讲人：小柯数据挖掘工作室引出协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息。最著名的电子商务推荐系统应属/item/%E4%BA%9A%E9%A9%AC%E9%80%8A亚马逊/item/%E7%BD%91%E7%BB%9C%E4%B9%A6%E5%BA%97网络书店，顾客选择一本自己感兴趣的书籍，马上会在底下看到一行“Customer Who Bought This Item Also Bought”，亚马逊是在“对同样一本书有兴趣的读者们兴趣在某种程度上相近”的假设前提下提供这样的推荐，此举也成为亚马逊网络书店为人所津津乐道的一项服务，各网络书店也跟进做这样的推荐服务如台湾的博客来网络书店。数据挖掘工作室另外一个著名的例子是/item/FacebookFacebook的广告，系统根据个人资料、周遭朋友感兴趣的广告等等对个人提供广告推销，也是一项协同过滤重要的里程碑，和前二者Tapestry、GroupLens不同的是在这里虽然商业气息浓厚同时还是带给使用者很大的方便。 以上为三项协同过滤发展上重要的里程碑，从早期单一系统内的邮件、文件过滤，到跨系统的新闻、电影、音乐过滤，乃至于今日横行互联网的电子商务，虽然目的不太相同，但带给使用者的方便是大家都不能否定的。数据挖掘工作室基于用户协同过滤基于用户的协同过滤，通过不同用户对item的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐；user-based CF用户~项目关系可描述如下：用户/物品物品A物品B物品C物品D用户ATRUETRUE推荐用户BTRUE用户CTRUETRUETRUE数据挖掘工作室示意图数据挖掘工作室基于项目的协同过滤基于项目的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐；项目~用户关系可描述如下：物品/用户用户A用户B用户C物品ATRUE推荐TRUE物品BTRUETRUETRUE物品CTRUE数据挖掘工作室示意图数据挖掘工作室物品A与物品B都被用户A和用户C所喜爱，将物品相对于用户表示为向量A（1，0，1），B（1，1，1），C（1，0，0），可以用余弦相似度或者欧式距离来度量，我们更有理由认为物品A与B更相像，我们就把A没有入选而与A更相似的B入选了的用户B推荐给物品A。用户与物品是相对的，我们可以等价看待，既可以把物品推荐给可能喜欢的用户，也可以把用户推荐给他可能喜欢的物品。数据挖掘工作室谢谢！更多精彩尽在微信公众号：数据挖掘工作室数据挖掘工作室