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
麦麦大数据2 天前
D017 vue+django+neo4j音乐知识图谱推荐可视化分析系统|带管理员角色+爬虫
vue.js·数据分析·django·知识图谱·neo4j·推荐算法
wx_ywyy67984 天前
全球化短剧系统开发指南:多语言AI字幕与区域化推荐算法
推荐算法·海外短剧系统·海外短剧·短剧系统开发·海外短剧系统开发·多语言ai字幕系统开发·多语言翻译
SmartBrain5 天前
华为MindIE 推理引擎:架构解析
人工智能·华为·架构·推荐算法
B站_计算机毕业设计之家6 天前
✅ Python+Django租房推荐系统 双协同过滤+Echarts可视化 租房系统 推荐算法 全栈开发(建议收藏)✅
python·机器学习·数据分析·django·echarts·推荐算法·租房
GRITJW11 天前
从MMoE到PLE:读懂多任务学习架构的渐进式演化
推荐算法
GRITJW13 天前
ESMM学习笔记:如何解决CVR预估中的样本选择偏差与数据稀疏难题
推荐算法
GRITJW14 天前
深度剖析RQ-VAE:从向量量化到生成式推荐的语义ID技术
推荐算法
IT学长编程14 天前
计算机毕业设计 基于Hadoop的健康饮食推荐系统的设计与实现 Java 大数据毕业设计 Hadoop毕业设计选题【附源码+文档报告+安装调试】
java·大数据·hadoop·毕业设计·课程设计·推荐算法·毕业论文
科兴第一吴彦祖15 天前
在线会议系统是一个基于Vue3 + Spring Boot的现代化在线会议管理平台,集成了视频会议、实时聊天、AI智能助手等多项先进技术。
java·vue.js·人工智能·spring boot·推荐算法
GRITJW16 天前
推荐系统中负采样策略及采样偏差的校正方法
推荐算法