推荐系统主要算法总结及Youtube深度学习推荐算法实例概括

协同过滤

协同过滤（CF）及其变式是最常用的推荐算法之一。即使是数据科学的初学者，也能凭之建立起本身的个性化片子推荐体系，例如，一个简历项目。

当我们想要向某个用户推荐某物时，最合乎情理的工作就是找到与他/她具有雷同爱好的用户，分析其行动，并且为之推荐雷同的器械。或者我们可以存眷那些与该用户之前购买物品类似的器械，并推荐类似的产品。

协同过滤（CF）有两种根本办法，它们分别是：基于用户的协同过滤技巧和基于项目标协同过滤技巧。

该推荐算法的以上情况中均包含两步：

2. 在给定与某产品用户/项目更类似的用户/项目标总权重时，评估其它用户/项目，来猜测你给用户的相干产品的评分。

在该算法中，「最为类似」意味着什么？

我们拥有的是每一位用户的偏好向量（矩阵 R 的列），以及每一个产品的用户评分的向量（矩阵 R 的行）。

举个例子，如不雅我们想比较 Bill 和 Jane，我们知道的信息是 Bill 没有看过泰坦尼克号，Jane 没有看过蝙蝠侠，那么我们只能经由过程星战来衡量他们的类似度。怎么可能会有人不看星战，对吧？（微笑）

最风行的测量类似度的办法，是测量用户/项目向量的余弦类似度（cosine similarity）或相干度（correlations）。最后一步是根据类似程度，采取加权算术平举办法，填满表中的空单位格。

用于推荐的矩阵分化

另一个有趣的办法是应用矩阵分化。这是一种优雅的推荐算法，因为平日在矩阵分化时，我们不会过多推敲结不雅矩阵的行列中哪些项（item）会被保存。但应用该推荐对象时，我们可以清跋扈地看到 u 是关于第 i 个用户的兴趣的向量，而 v 是关于第 j 部片子的参数的向量。

公式1

于是我们可以或许经由过程 u 和 v 的点积来估计 x（第 i 个用户对第 j 部片子的评分）。我们用已知的评分建立这些向量并以此猜测未知的评分。

举个例子，矩阵分化后我们获得了 Ted 的向量（1.4；.9）和片子 A 的向量（1.4; .8），如今我们可以仅仅经由过程计算（1.4； .9）和（1.4； .8）的点积来还原片子 A-Ted 的评分，评分结不雅为 2.68。

聚类

以前的推荐算法比较简单并且实用于小体系。并且直到如今，我们仍把推荐问题假想成一个监督式机械进修义务。如今是时刻用非监督办法来解决词攀类问题了。

假想一下，我们是正在建造一个大年夜型推荐体系，在此体系中协同过滤和矩阵分化这两项工作的时光应当更长。而第一种假想就是聚类（clustering）。

安营业的开端阶段，往往是缺乏先前用户的等级划分的，而聚类则是最好的办法。

然则如不雅零丁应用，聚类就显得有一些脆弱了，因为事实上我们所做的工作其实是对用户组别进行剖断，并且为本组里的每一位用户推荐雷同的器械。当我们拥有了足够的数据的时刻，应用聚类办法作为第一步是更好的选择，如许可以削减协同过滤算法中的相干近邻（neighbor）的选择。它也可以改益友杂推荐体系的机能表示。

1. 找到数据库中有若干用户/项目与目标用户/项目类似。

每一个群集（cluster）都邑被分派有代表性的偏好，这是以属于该群集的用户的偏好为基本的。每一组群集的用户都邑收到在群集层面上计算过的推荐结不雅。