求剧情
推荐系统实践 · 第十二节

《推荐系统实践》第十二节

本节先讨论ItemCF的“哈利波特问题”:因《哈利波特》过于热门,算法算出它与几乎所有书都相似。

本节先讨论ItemCF的“哈利波特问题”:因《哈利波特》过于热门,算法算出它与几乎所有书都相似。解决办法之一是在相似度公式的分母中加大对热门物品的惩罚(引入参数α),实验显示,α增大能提升推荐覆盖率并降低结果的平均流行度(即提高新颖性),但会牺牲一定的准确率和召回率。该方法仍无法根除问题,因为不同领域的最热门物品之间确实存在高相似度,这需引入物品内容数据、对不同领域降权来解决,已超出协同过滤范畴。

随后本节介绍隐语义模型(LFM)。它用隐含特征联系用户兴趣和物品,其核心思想是通过数据自动对物品分类并确定用户兴趣。相比编辑人工分类,隐语义分析能基于用户行为统计解决分类代表用户意见、粒度可调、一物多类、多维度及权重确定等问题。LFM通过计算用户对隐类的兴趣和隐类对物品的关系来预测用户兴趣。在只有正样本的隐性反馈数据上应用LFM,关键在于生成负样本。研究与实践表明,应保证每个用户正负样本数量平衡,并优先采样那些很热门但用户未产生行为的物品作为负样本,之后通过优化损失函数求解模型参数。

‹ 上一章目录下一章 ›

全部 32 章