求剧情
推荐系统实践 · 第十九节

《推荐系统实践》第十九节

本节讨论基于标签推荐算法的改进与应用。针对简单算法偏向热门标签和热门物品的问题,借鉴TF-IDF思想,对热门标签和热门物品的权重进行惩罚,以提升推荐的个性化和新颖性。

本节讨论基于标签推荐算法的改进与应用。针对简单算法偏向热门标签和热门物品的问题,借鉴TF-IDF思想,对热门标签和热门物品的权重进行惩罚,以提升推荐的个性化和新颖性。针对数据稀疏性,可通过计算标签间相似度进行标签扩展,将相似标签加入用户标签集合,这能提高准确率和召回率。此外,还需进行标签清理,去除停止词和同义词,以保证标签质量,便于将标签用作推荐解释。在算法模型上,可将用户、物品、标签行为构建为图,利用PersonalRank等图算法进行推荐,该方法更具系统性。最后,介绍了以豆瓣读书为代表的基于标签的推荐解释,通过标签云展示用户兴趣分布,让用户自行选择,从而提高推荐的多样性。

‹ 上一章目录下一章 ›

全部 32 章