求剧情
推荐系统实践 · 第十七节

《推荐系统实践》第十七节

用LDA计算物品相似度时,可先得到物品的话题分布,再用KL散度衡量两个分布的差异,散度越大相似度越低。

用LDA计算物品相似度时,可先得到物品的话题分布,再用KL散度衡量两个分布的差异,散度越大相似度越低。

在缺少行为数据和内容信息的冷启动阶段,可借助专家标注。音乐电台Pandora因音乐相似度难算,雇音乐人听完数万首歌并用400多个特征标注,把歌变成向量后计算相似度;电影网站Jinni则让专家按心情、剧情、类别等约1000个基因库给电影打标,每部片约50个基因,再结合自然语言处理与机器学习自动标记新片,并让用户反馈改进,以此解决冷启动问题。

第4章讨论用标签联系用户与物品。标签是描述物品语义的关键词,按打标者可分为专家标注和用户生成(UGC)两类,UGC标签同时体现用户兴趣和物品语义。本章聚焦UGC应用,列举了Delicious、CiteULike、Last.fm、豆瓣、Hulu等代表网站:它们让用户给网页、论文、音乐、图书、视频打标签,用群体智能获得准确的内容描述以改善推荐。

‹ 上一章目录下一章 ›

全部 32 章