1、知识点
""" 推荐系统 1、相似度计算： 1、欧几里德距离 2、皮尔逊相关系数 3、Cosin距离 2、推荐相似度选择： 1、固定数量的邻居 2、基于相似度门槛的邻居 3、基于用户的协同过滤：根据用户和其他用户之间的相关系数值，选择值越小的用户数据，并和该用户比较，推荐物品 需要解决的问题：1、已知用户评分矩阵R(一般很稀疏) 2、推断矩阵中空格empty cells处的值 基于用户的协同过滤不利于对全0矩阵进行推荐，其解决方案： 1、相似度计算最好使用皮尔逊相似度 2、考虑共同打分物品的数目 3、对打分进行归一化处理 4、设置一个相似度阈值 缺点：1、稀疏问题(很多值为0) 2、大用户量不利于计算,因此不推荐基于用户的协同过滤 row:为用户 ，column:为物品 场景：实时新闻、突发情况(实时数据) 4、基于物品的协同过滤：根据物品和物品之间的相似度，然后取阈值，获取相邻的值，即推荐物品 (一般使用皮尔逊相关系数) 优点：1、计算性能高，用户数量大于物品数量 row:为用户物品 ，column:为用户 场景：图书、电子商务、电影(离线数据) 5、用户冷启动问题(即用户注册的时候)： 1、引导用户把自己的一些属性表达出来 2、利用现有的开发数据平台 3、根据用户注册的属性 4、推荐排序榜单 6、物品冷启动问题： 1、文本分析 2、主题模型 3、打标签 4、推荐排行榜单 7、隐语义模型：将矩阵进行分解,然后求解隐含特征F，从而可以根据F得到一个先的具有填充值的NM矩阵，从而实现推荐，即NM = NF * FM 1、从数据出发，今天个性化推荐 2、用户和物品之间有着隐含联系 3、隐含因子让计算机能理解就好 4、将用户和物品通过中介隐含因子联系起来 隐语义模型参数选择： 1、隐特征的个数F，通常F=100 2、学习率alpha 别太大 3、正则化参数lambda，别太大 4、负样本和正样本比例ratio 8、协同过滤与 隐语义对比 1、原理：协同过滤基于统计方法，隐语义基于建模 2、空间复杂度，隐语义模型较小 3、实时推荐依旧难，目前离线计算多 9、模型评估指标 1、准确率 ：均方误差 2、召回率 ：正负样本中，推荐正样本中正确的比例 3、覆盖率 4、多样性 推荐难点： 1、计算量解决 2、模型的好坏怎么评估，怎么更新 suprise 推荐系统api url：https://surprise.readthedocs.io/en/stable/getting_started.html 数据地址：https://files.grouplens.org/datasets/movielens/ml-100k-README.txt 基于用户的协同过滤： 推荐系统 1、相似度计算： 1、欧几里
