个性化推荐引擎:基于概率的…
来源:互联网 发布:最优化计算方法课后题 编辑:程序博客网 时间:2024/06/05 13:29
问题定义:
本文从概率的角度来预测用户的评分,本文假设用户和商品的特征向量矩阵都符合高斯分布,基于这个假设,用户对商品的喜好程度就是一系列概率的组合问题,例如
其中
为期望为μ,方差为σ的高斯分布。Iij=1,如果用户i选择了商品j,否则为0。在此基础上,本文通过对用户的特征向量加以限制,提出了一种新的算法,并且该算法要好于上述提到的算法。
方法:
首先,本文假设预测用户的喜好是一个概率组合问题:
其中用户和商品的特征向量都符合高斯分布:
对上述的预测公式取对数,我们可以得到
为了把评分(例如1-5的评分)转换为0-1,本文采用了如下办法:
因此对应的预测公式变为
另外本文通过对用户的特征向量加以限制,即
那么对应的评分预测函数为
其中W为某种权重矩阵,例如可以是相似度矩阵等等,同样的,W也符合高斯分布
实验结果:
上图是本文算法与Netflix系统推荐算法,SVD算法的对比结果。首先,SVD算法overfit比较严重,当epoch超过10时,SVD算法就开始overfit了,其次constrainedPMF要好于PMF算法,而且该算法比Netflix系统推荐算法精度高7%左右。
另外本文也对比了,不同评分数目的RMSE的精度,如下图所示:
可以看出,当评分比较少的时候,constrainedPMF算法的准确性就更加明显,另外,如果采用电影的平均分来作为用户的预测分值,当评分比较少的情况,这种算法跟PMF和constrainedPMF算法差别不大,但是当评分比较多时,算法的准确性差异就很明显了。
(本文转自个性化时代http://blog.baifendian.com/?p=1158)
- 个性化推荐引擎:基于概率的…
- 推荐引擎和个性化推荐,未来十年最重要的革新之一?
- 基于RNN的个性化电影推荐尝试
- 基于RNN的个性化电影推荐尝试
- 个性化互联网和推荐引擎
- 基于lucene的推荐引擎
- 基于三词共现分析的个性化外文推荐服务
- 基于neighborhood models(item-based) 的个性化推荐系统
- 基于baseline和stochastic gradient descent的个性化推荐系统
- 基于neighborhood models(item-based) 的个性化推荐系统
- 基于baseline和stochastic gradient descent的个性化推荐系统
- 如何实现基于内容和用户画像的个性化推荐
- 如何实现基于内容和用户画像的个性化推荐
- 如何实现基于内容和用户画像的个性化推荐
- 京东推荐系统实践——打造千人千面的个性化推荐引擎
- Mahout下个性化推荐引擎Taste介绍
- Mahout下个性化推荐引擎Taste介绍
- 个性化推荐算法------基于内容的推荐和基于邻域的协同过滤
- python抓取网页,发送表单小…
- Python抓取网页中内容,正则分析后…
- (转)多分类问题中每一类的Precisio…
- LeetCode-Triangle
- java生成正态分布方法
- 个性化推荐引擎:基于概率的…
- IOS 开发--真机调试证书申请
- hdu4889 spfa(造数据卡spfa
- IOS开发--申请发布者证书
- 模式识别、计算机视觉、机器学习领域的顶级期刊和会议(整理)
- springMVC静态资源路径问题解决办法
- Qt for Android 项目中,创建的工程路径中不可以有空格
- Java基础笔记之NIO
- 正则表达式30分钟入门教程