[搜广推]王树森推荐算法——基于物体的协同过滤

基于物体的协同过滤 ItemCF

基于物体的协同过滤(Item-Based Collaborative Filtering,简称ItemCF)是一种经典的推荐系统算法

基本思想

  • 量化用户对物品的兴趣,通过分析用户的行为来找到与目标物品相似的其他物品,然后将这些相似物品推荐给喜欢目标物品的用户
  • ItemCF算法认为:如果用户喜欢物品item1,而且物品item1与item2相似,那么用户很可能喜欢物品item2

计算方法

  • 量化用户对物品的兴趣(点击点赞收藏转发)
  • 计算用户对每个交互过的物品的兴趣(绿色)
  • 计算用户交互过的每个物品与未交互过的物品之间的相似度(蓝色)
  • 计算完后二者相乘,所有乘积累加得到最后结果,这个结果是用户对候选物品兴趣的预估

物品的相似度

可以从数据中挖掘出物品的相似度

  • 如果两个物品的受众完全不重合,则说明这两个物品不相似
  • 两个物品的受众重合度越高,两个物品越相似

计算物品相似度

把每个物品表示为一个稀疏向量,向量每个元素对应一个用户相似度

sim 就是两个向量夹角的余弦

简化版

  • 相似度是介于0~1之间的数,数值越大表示两个物品越相似(因为 v v v比 W 1 W_1 W1 和 W 2 W_2 W2都小,所以介于0~1之间)

  • 这个公式没有考虑喜欢的程度

    完整版

  • 分子把用户 v v v对物品 i 1 i_1 i1、 i 2 i_2 i2的兴趣分数相乘后连加

  • 连加是关于同时喜欢物品 i 1 i_1 i1、 i 2 i_2 i2的用户 v v v取的,当兴趣分数取0或1时变成上面那样,分子是同时喜欢两个物品的人数

  • 这个公式的本质是余弦相似度

召回业务流程

  1. 离线计算建立两个索引
  • 建立"用户-->物品"的索引
    • 记录每个用户最近交互过的物品ID
    • 给定任意用户ID,可以找到他近期感兴趣的物品列表。
  • 建立"物品-->物品"的索引
    • 计算物品之间两两相似度
    • 对于每个物品,索引它最相似的k个物品
    • 给定任意物品ID,可以快速找到它最相似的k个物品
  1. 线上做召回
  • 给定用户ID,通过"用户-->物品"索引,找到用户近期感兴趣的物品列表(last-n)
  • 对于last-n列表中每个物品,通过"物品-->物品"的索引,找到 top-k相似物品
  • 对于取回的相似物品(最多有nk个),用公式预估用户对物品的兴趣分数
  • 返回分数最高的100个物品,作为推荐结果

为什么用索引?

索引的意义在于避免枚举所有的物品。

用索引,离线计算量大,线上计算量小。

相关推荐
PXM的算法星球1 小时前
【leetcode】3524 求出数组的X值1
算法·leetcode·职场和发展
椰羊~王小美4 小时前
LeetCode -- Flora -- edit 2025-04-27
算法·leetcode·职场和发展
缘友一世5 小时前
从线性回归到逻辑回归
算法·逻辑回归·线性回归
前端_学习之路5 小时前
javaScript--数据结构和算法
javascript·数据结构·算法
麦麦大数据6 小时前
vue+neo4j+flask 音乐知识图谱推荐系统
vue.js·mysql·flask·知识图谱·neo4j·推荐算法·音乐推荐
极小狐6 小时前
如何对极狐GitLab 议题进行过滤和排序?
人工智能·git·机器学习·gitlab
weixin_428498496 小时前
使用HYPRE库并行装配IJ稀疏矩阵指南: 矩阵预分配和重复利用
算法·矩阵
小墙程序员7 小时前
机器学习入门(九)多层感知机
机器学习
雾削木8 小时前
mAh 与 Wh:电量单位的深度解析
开发语言·c++·单片机·嵌入式硬件·算法·电脑