好贷网好贷款

协同推荐系统简介

发布时间:2016-12-3 21:48:31 编辑:www.fx114.net 分享查询网我要评论
本篇文章主要介绍了"协同推荐系统简介",主要涉及到协同推荐系统简介方面的内容,对于协同推荐系统简介感兴趣的同学可以参考一下。

协同推荐系统简介 最近几年搜索引擎理念可谓渗入人心,对于互联网产品设计人员来说,张口必言搜索。同事基于搜索技术的各种产品也在Web2.0的浪潮下如雨后春笋,刷刷往 外冒。在这些林林总总的产品里面,几乎都能见到“ tag , 相关新闻, 相似产品 ” 类推荐链接的踪影。稍加留意这些产品的实现就可以发现,大多还是基于关键词的搜索机制实现的。很显然基于关键词技术的相关推荐是最直观的,似乎也是最有效 的一种实现方式,如同机枪中的AK-47,那他冲锋陷阵总是屡试不爽。 对于文字类产品的推荐,基于关键词的实现方式,目前还是主流;但在电子商务,智能阅读推荐,商务搜索方面单纯的关键字相关性实现机制还不那么让人满意,这也就有了协同推荐过滤系统。Collaborative filtering 。 所谓协同推荐,很显然弥补了单纯依赖关键词相关性的不足,把获取相关性数据的视角放大到数据从产生到消费的各个环节。 有2种最基础类型的协同推荐系统: 1 基于当前活跃用户 和 上一个用户的相似性 来进行分析(一般是计算用户购买或者感兴趣的商品来进行);侧重于用户 2 基于当前用户选择(或感兴趣)的商品 和 上一个用户感兴趣的商品的相似性来进行分析; 这也就是大家所熟知的user-based 和item-based协同推荐。 根据实现机制物理载体划分,以上两类协同推荐系统可以分为:内存型 和 模式型的协同推荐。一般内存型的都比较直观,适合于小型的数据集合,而模式型的一般都是利用 机器学习的方法,适用于大规模的数据分析,也可以称之为离线分析。模式型的是我比较关心的,因为做基于SEO的日志分析 ,比较适合。 我们在进行协同分析的时候,要考虑协同的意义。一般来说协同就是指多个用户或多个数据项的交叉作用。如果数据项较多的情况下,如何定义数据项的关系就是个重要问题了。 下面说一下协同系统的设计要素吧: 1 数据项 Item 2 项集合 ItemCollection 3 数据项的关系权重 DirectedEdge 4 数据项在数据集合中的存储方式 具体的算法实现过程,可以参考:Beyond Search 的推荐系统:关联规则(2)。我这里摘录如下:Apriori 是一种广度优先算法,通过多次扫描数据库来获取支持度大于最小支持度的频繁项集。它的理论基础是频繁项集的两个单调性原则:频繁项集的任一子集一定是频繁 的;非频繁项集的任一超集一定是非频繁的。晦涩的理论我这里就不多写了,有兴趣的可以去看论文。我把里面的例子给翻译一下,图文并茂,简明易懂。 某数据库 DB 里有 4 条事务记录,取最小支持度(min support)为 0.5,则计算频繁项集的过程如下: TID Items 100 A, C, D 200 B, C, E 300 A, B, C, E 400 B, E 扫描DB Itemset Support {A} 2 (0.5) {B} 3 (0.75) {C} 3 (0.75) {D} 1 (0.25) {E} 3 (0.75) 取满足 最小支持度 项集 Itemset Support {A} 2 {B} 3 {C} 3 {E} 3 Itemset {A, B} {A, C} {A, E} {B, C} {B, E} {C, E} 扫描DB Itemset Support {A, B} 1 (0.25) {A, C} 2 (0.5) {A, E} 1 (0.25) {B, C} 2 (0.5) {B, E} 3 (0.75) {C, E} 2 (0.5) 取满足 最小支持度 项集 Itemset Support {A, C} 2 {B, C} 2 {B, E} 3 {C, E} 2 Itemset {A, B, C} {A, B, E} {A, C, E} {B, C, E} 扫描DB Itemset Support {A, B, C} 1 (0.25) {A, B, E} 1 (0.25) {A, C, E} 1 (0.35) {B, C, E} 2 (0.5) 取满足 最小支持度 项集 Itemset Support {B, C, E} 2 (0.5) 如上可以看出,在海量数据的情况下,Apriori 算法的运算过程有 2 个问题: 需要多次扫描数据库,时间成本很高; 运算过程中需要产生大量的候选集,空间成本也非常高。针对 Apriori 算法所做的改进也基本上是围绕着解决这两个问题进行的,如在扫描DB前首先进行以便事务合并和压缩,数据分区或抽样等。Weka 里有 Apriori 算法的 Java 实现,非常值得一看。推荐阅读:协同过滤(Collaborative Filtering)  Trackback: http://tb.blog.csdn.net/TrackBack.aspx?PostId=1706522

上一篇:搜索引擎SEO外挂:一边搜索,一边看PageRank
下一篇:Delphi中预想不到的代码学习

相关文章

相关评论