协同过滤推荐算法的入门案例

目录


推荐算法的核心是预测用户可能喜欢的内容,并据此进行推荐。这里用一个非常简单的电影推荐案例,解释最常见的协同过滤原理。

数据介绍

假设有3个用户(小明、小红、小刚)对4部电影的评分(1~5分),未评分的用"-"表示:

已经采集到的数据如下:

用户 复仇者 钢铁侠 爱情故事 雷神
小明 5 4 - 2
小红 4 5 3 -
小刚 1 2 5 4

目标:

为小明推荐他可能感兴趣的电影(比如《雷神》评分低,可不推荐;《爱情故事》未评分,是否需要推荐?)

数据映射

数组:

\[ 5, 4, 0, 2

4, 5, 3, 0

1, 2, 5, 4\]

计算相识度

推荐的原理就是计算目标用户和其他用户的相识度,推荐相识度高喜欢的作品给他。

找到相似用户的步骤:(常用方法:余弦相似度)

  • 小明 vs 小红:共同评分的电影是《复仇者》《钢铁侠》。

    • 小明的评分向量:[5, 4]
    • 小红的评分向量:[4, 5]
    • 余弦相似度 = (5×4 + 4×5) / (√(5²+4²) × √(4²+5²)) ≈ 0.98(非常相似)
  • 小明 vs 小刚:共同评分的电影是《雷神》,但小明和小刚对《雷神》评分差异大(小明2分,小刚4分),相似度低。

  • 结论:小红和小明兴趣最接近。

补充

余弦相似度(Cosine Similarity)是一种衡量两个向量方向相似程度的指标,常用于推荐系统、文本分析等领域。它的核心思想是:通过计算两个向量之间的夹角余弦值,判断它们的方向是否接近。方向越接近,余弦值越接近1;方向相反则接近-1;垂直则为0。

余弦相似度 = A * B / ||A|| * ||B|| = (5×4 + 4×5) / (√(5²+4²) × √(4²+5²)) ≈ 0.98(非常相似)

看图理解,

两根绿线的夹角较小,表示更相似。

一个绿线和蓝线所形成的夹角大,就相对没那么相似。

扩展

  • 基于内容的推荐:分析电影特征(如类型、导演),推荐相似属性的电影(如喜欢《钢铁侠》→ 推荐科幻片)。

  • 混合推荐:结合协同过滤和内容过滤,提高准确性。

预测偏好

简单预测

假设要预测小明对《爱情故事》的评分,已知:

小红与小明相似度 0.98,对《爱情故事》评分为 3;

小刚与小明相似度 1.0,对《爱情故事》评分为 5。

直接取平均:(3+5)/2=4 → 但未考虑相似度差异。

采用加权(多用户加权)

加权平均的原理

核心思想:相似度高的用户意见更重要,应赋予更高权重。

预测小明对《爱情故事》电影的评分是 4.01分,评分较高,值得推荐。

总结

案例很简单,主要用到如下数学概念:

  • 二维矩阵
  • 余弦相似
  • 加权平均
相关推荐
一只鱼^_34 分钟前
牛客周赛 Round 108
数据结构·c++·算法·动态规划·图论·广度优先·推荐算法
moonsheeper4 天前
推荐算法发展历史
算法·机器学习·推荐算法
乐迪信息5 天前
乐迪信息:智慧煤矿视觉检测平台:从皮带、人员到矿车
大数据·人工智能·算法·安全·视觉检测·推荐算法
麦麦大数据8 天前
F010 Vue+Flask豆瓣图书推荐大数据可视化平台系统源码
vue.js·mysql·机器学习·flask·echarts·推荐算法·图书
麦麦大数据8 天前
vue+Django 双推荐算法旅游大数据可视化系统Echarts mysql数据库 带爬虫
数据库·vue.js·django·可视化·推荐算法·百度地图·旅游景点
陈敬雷-充电了么-CEO兼CTO8 天前
深度拆解判别式推荐大模型RankGPT!生成式精排落地提速94.8%,冷启动效果飙升,还解决了传统推荐3大痛点
大数据·人工智能·机器学习·chatgpt·大模型·推荐算法·agi
麦麦大数据9 天前
百度地图+vue+flask+爬虫 推荐算法旅游大数据可视化系统Echarts mysql数据库 带沙箱支付+图像识别技术
vue.js·机器学习·flask·可视化·推荐算法·旅游大数据
Junewang061410 天前
【论文阅读】PEPNet
论文阅读·推荐算法
开开心心就好10 天前
PDF转长图工具,一键多页转图片
java·服务器·前端·数据库·人工智能·pdf·推荐算法
Y|11 天前
GBDT(Gradient Boosting Decision Tree,梯度提升决策树)总结梳理
决策树·机器学习·集成学习·推荐算法·boosting