理論的な推薦システムの伝統的な方法

理論的な推薦システムの伝統的な方法

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：