本文详细介绍了协同过滤中基于邻域的模型，包括相似度度量如皮尔逊相关系数，以及基于相似度的插值方法。通过讨论其优点，如直观性、可解释性和即时推荐能力，同时也指出标准模型存在的问题，如相似度函数的任意性、近邻物品相互作用的忽视和过拟合风险。文中还提出了联合派生插值权重以改进模型的准确性。
基于邻域的模型
协同过滤领域最常见的方法就是基于领域的模型。其最原始的形式是基于用户的方法（详见文献[13]1）：基于志趣相投的相似用户的评分记录来估计未知评分。
随后是一种类似的，基于物品的方法：使用同一个用户在相似物品上的评分来估计未知的评分
- 其具有更好的扩展性；
- 并提高了准确度；
- 能更好的解释预测背后的原因（用户对他之前喜欢的物品比较熟悉，但他们却不认识这些所谓志趣相投的人）。
一般来说，隐语义模型在描述数据的各方面具有很强的表达能力，因此其预测结果比基于邻域的模型要好。但是，基于领域的模型更加普遍，是因为：
- 1）基于邻域的模型，相对简单；
- 2）更重要的原因是，基于邻域的模型提供了推荐背后原因的直观解释——其不仅提高推荐的准确性；同时增强了用户体验；
- 3）基于邻域的模型，能够根据一个新进入系统的用户反馈立即提供推荐。
本节结构：
- 1）如何估计两个物品之间的相似度；
- 2）基于相似度的领域方法，及其一些特定限制；
- 3）解决这些问题的建议方法：以计算时间上微小的增加为代价，提高预测准确度。
1.相似度度量
相似度度量是基于物品方法的核心。
皮尔逊相关系数，仅仅是基于共同的用户支持，建议用基准预测器的残差来补偿特定用户和特定物品的偏差。
ρ ^ i j = ∑ u ∈ U ( i , j ) ( r u i − b u i ) ( r u j − b u j ) ∑ u ∈ U ( i , j ) ( r u i − b u i ) 2 ⋅ ∑ u ∈ U ( i , j ) ( r u j − b u j ) 2 (3.15) \hat{\rho}_{ij} = \frac{\sum_{u \in U(i,j)} (r_{ui} - b_{ui} ) (r_{uj} - b_{uj} )}{\sqrt{\\ \sum_{u \in U(i,j)} (r_{ui} - b_{ui} )^2 · \sum_{u \in U(i,j)} (r_{uj} - b_{uj} )^2}\\ }\tag{3.15} ρ^ij=∑u∈U(i,j)(rui−bui)2⋅∑u∈U(i,j)(ruj−buj)2∑u∈U(i,j)(rui
最低0.47元/天 解锁文章
扫一扫
3231
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
