理論的な推薦システムの伝統的な方法
記事のディレクトリ
映画推薦システムの動作:
データが必要とされている:映画のスコアシート映画コンテンツ行列
コンテンツ推薦システムの原理に基づいて、
コスト関数
原則に基づく推薦システムのマトリックス分解
作品の評価は、表ユーザ嗜好マトリックス
フィルムの種類ごとの優先度については、各映画のために、各ユーザーに基づいて、ムービー勧告だけでなく、ユーザーによって評価されている、スコアを予測するために、各ユーザーが映画を見ていません
コスト関数の最小化
行列分解:映画コンテンツユーザ嗜好行列の行列分解は
好みに応じて二つの方法、映画又は類似類似ユーザ検索であります
商品の原理に基づいて推薦システムをフィルタリングし、共同
商品の類似
同様の機能:
商品のスコアを予測するためにユーザを予測
ユーザー協調フィルタリング推薦システムの原理に基づいて、
ユーザーの類似性
商品に対するユーザー評価予報
コールドスタートの問題
ユーザーが既に特定のアクションをお勧め存在しますが、何の記録動作がないことを、コールドスタートの問題になることを提供
1.ユーザー冷たい開始:ランダム勧告
2.製品コールドスタート:推奨新しいリリースを
これらのアルゴリズムの長所と短所を評価するだけでなく、推薦システムのパフォーマンスをする方法
1.コンテンツベース:
短所:
コンテンツ分析は徹底が必要です
ユーザーに少し驚きを
2.協調フィルタリング:
利点:
それは製品品質を結論付けることができます
あなたは商品の専門知識を十分に理解する必要はありません
短所:
コールドスタートの問題
複雑さは、商品のユーザーとして増加し、
同義語の影響が
攻撃をスキャルピングになります
ハイブリッドアルゴリズム
1.混合モデル
2機能の融合
3.異なる環境で異なる結果をお勧めします
。4.農産物結果、削除の選択、リニア融合を
推奨システム評価
アカデミック:ラインの下
RMSE:
RECALL勧告購入するかの番号をクリックし
購入するか、をクリックする確率勧告:精度を
精度と融合F1をリコール:2X(preXrecall)/(プリ +リコール)は
、標準的な分類に類似している
線:市販の
A / Bテスト
推薦システムは、異なるユーザグループに適用しました
CTR
金利のCTR度
CRの
変換経験より良い
ROI(投資収益-コスト)/コスト
行列分解を使用すると、映画推薦システムを構築します
1.データ収集
データウェブサイト:MovieLens | GroupLens
2.データの準備
フィルムスコアリングマトリックス
フィルムスコア上のユーザーデータを
映画コンテンツの行列
データの映画の名前と映画カテゴリの
ユーザーのフィルムスコアかどうか
モデルの4建設
接続するためのコード: