推荐系统实践 · 第十节
《推荐系统实践》第十节
本节首先评测了UserCF-IIF算法,实验在K=80下进行,结果显示其各项性能略优于UserCF,说明计算相似度时考虑物品流行度有助于提升推荐质量。
本节首先评测了UserCF-IIF算法,实验在K=80下进行,结果显示其各项性能略优于UserCF,说明计算相似度时考虑物品流行度有助于提升推荐质量。接着介绍了UserCF的实际应用案例Digg:该网站每天新增约1.5万篇文章,为解决信息过载,采用UserCF简化版,即根据用户“顶”过的文章,推荐其他顶过同一篇文章的用户最近顶的内容。上线后用户“顶”“踩”行为增加40%,好友交互活跃度提升24%,评论增加11%。
随后进入基于物品的协同过滤(ItemCF)部分。该算法是亚马逊、Netflix等主流平台的基础,它通过分析用户行为记录而非物品内容来计算相似度,认为同时被很多用户喜欢的物品相似度高。算法分两步:先用共现矩阵归一化计算物品相似度(并惩罚热门物品权重以挖掘长尾),再结合用户历史行为生成推荐列表。ItemCF能用用户过去喜欢的物品解释推荐结果。在MovieLens数据集上,即使不利用内容属性,计算出的电影相似度也能反映出系列、主角、风格等内容上的关联。