【每周一文】Collaborative Filtering for Implicit Feedback Datasets(2008)

下一步

于 2016-03-15 23:46:43 发布

阅读量4.6k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：每周一文推荐算法文章标签：推荐算法协同过滤隐式反馈数据

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/fangqingan_java/article/details/50709022

本文探讨了在推荐系统中处理隐式反馈数据的协同过滤方法。通过矩阵分解技术，建立隐式反馈因子模型，解决无明确负面反馈的问题。模型引入喜好和置信度变量，以优化求解用户和物品的低维表示。实验表明，该模型在处理如浏览和点击行为等隐式反馈时，表现优于其他方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

概述

协同过滤(Collaborative Filtering)是推荐领域非常重要的算法策略，由于它的领域无关性，应用非常广泛。本文解决的一个问题是：在训练数据集合中，只有用户的隐式反馈，例如用户的浏览行为、收藏行为等，没有用户直接打分行为；即只有用户偏好行为，对于用户不喜欢的商品没有数据支持；基于以上数据本文提出一种隐式因子模型(Factor Model)解决该问题，并给出优化求解。

问题建模

矩阵分解

推荐问题解决的问题归纳为给用户u推荐物品i，并且满足用户偏好、新奇度和多样性等。协同过滤和矩阵分解是常用的方法。

协同过滤

按照用户和物品维度可以分为基于用户的协同过滤和基于物品的协同过滤，主要思想是计算用户与用户、物品与物品以及用户和物品的相关度。以物品协同过滤举例，将物品表示为用户维度的向量，这样就可以计算物品之间的相似度，则用户与物品相似度为

r u i = \sum j \in S k i : u s i j r u j \sum j \in S k i : u s i j

$r_{ui}=\frac{\sum_{j \in S_{i:u}^k}s_{ij}r_{uj}}{\sum_{j \in S_{i:u}^k}s_{ij}}$ 其中

Si:u

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。