
協(xié)同過(guò)濾推薦算法的原理及實(shí)現(xiàn)
協(xié)同過(guò)濾推薦算法是誕生最早,并且較為著名的推薦算法。主要的功能是預(yù)測(cè)和推薦。算法通過(guò)對(duì)用戶歷史行為數(shù)據(jù)的挖掘發(fā)現(xiàn)用戶的偏好,基于不同的偏好對(duì)用戶進(jìn)行群組劃分并推薦品味相似的商品。協(xié)同過(guò)濾推薦算法分為兩類,分別是基于用戶的協(xié)同過(guò)濾算法(user-based collaboratIve filtering),和基于物品的協(xié)同過(guò)濾算法(item-based collaborative filtering)。簡(jiǎn)單的說(shuō)就是:人以類聚,物以群分。下面我們將分別說(shuō)明這兩類推薦算法的原理和實(shí)現(xiàn)方法。
基于用戶的協(xié)同過(guò)濾算法是通過(guò)用戶的歷史行為數(shù)據(jù)發(fā)現(xiàn)用戶對(duì)商品或內(nèi)容的喜歡(如商品購(gòu)買,收藏,內(nèi)容評(píng)論或分享),并對(duì)這些喜好進(jìn)行度量和打分。根據(jù)不同用戶對(duì)相同商品或內(nèi)容的態(tài)度和偏好程度計(jì)算用戶之間的關(guān)系。在有相同喜好的用戶間進(jìn)行商品推薦。簡(jiǎn)單的說(shuō)就是如果A,B兩個(gè)用戶都購(gòu)買了x,y,z三本圖書(shū),并且給出了5星的好評(píng)。那么A和B就屬于同一類用戶。可以將A看過(guò)的圖書(shū)w也推薦給用戶B。
1.1尋找偏好相似的用戶
我們模擬了5個(gè)用戶對(duì)兩件商品的評(píng)分,來(lái)說(shuō)明如何通過(guò)用戶對(duì)不同商品的態(tài)度和偏好尋找相似的用戶。在示例中,5個(gè)用戶分別對(duì)兩件商品進(jìn)行了評(píng)分。這里的分值可能表示真實(shí)的購(gòu)買,也可以是用戶對(duì)商品不同行為的量化指標(biāo)。例如,瀏覽商品的次數(shù),向朋友推薦商品,收藏,分享,或評(píng)論等等。這些行為都可以表示用戶對(duì)商品的態(tài)度和偏好程度。
從表格中很難直觀發(fā)現(xiàn)5個(gè)用戶間的聯(lián)系,我們將5個(gè)用戶對(duì)兩件商品的評(píng)分用散點(diǎn)圖表示出來(lái)后,用戶間的關(guān)系就很容易發(fā)現(xiàn)了。在散點(diǎn)圖中,Y軸是商品1的評(píng)分,X軸是商品2的評(píng)分,通過(guò)用戶的分布情況可以發(fā)現(xiàn),A,C,D三個(gè)用戶距離較近。用戶A(3.3 6.5)和用戶C(3.6 6.3),用戶D(3.4 5.8)對(duì)兩件商品的評(píng)分較為接近。而用戶E和用戶B則形成了另一個(gè)群體。散點(diǎn)圖雖然直觀,但無(wú)法投入實(shí)際的應(yīng)用,也不能準(zhǔn)確的度量用戶間的關(guān)系。因此我們需要通過(guò)數(shù)字對(duì)用戶的關(guān)系進(jìn)行準(zhǔn)確的度量,并依據(jù)這些關(guān)系完成商品的推薦。
1.2歐幾里德距離評(píng)價(jià)
歐幾里德距離評(píng)價(jià)是一個(gè)較為簡(jiǎn)單的用戶關(guān)系評(píng)價(jià)方法。原理是通過(guò)計(jì)算兩個(gè)用戶在散點(diǎn)圖中的距離來(lái)判斷不同的用戶是否有相同的偏好。以下是歐幾里德距離評(píng)價(jià)的計(jì)算公式。
通過(guò)公式我們獲得了5個(gè)用戶相互間的歐幾里德系數(shù),也就是用戶間的距離。系數(shù)越小表示兩個(gè)用戶間的距離越近,偏好也越是接近。不過(guò)這里有個(gè)問(wèn)題,太小的數(shù)值可能無(wú)法準(zhǔn)確的表現(xiàn)出不同用戶間距離的差異,因此我們對(duì)求得的系數(shù)取倒數(shù),使用戶間的距離約接近,數(shù)值越大。在下面的表格中,可以發(fā)現(xiàn),用戶A&C用戶A&D和用戶C&D距離較近。同時(shí)用戶B&E的距離也較為接近。與我們前面在散點(diǎn)圖中看到的情況一致。
1.3皮爾遜相關(guān)度評(píng)價(jià)
皮爾遜相關(guān)度評(píng)價(jià)是另一種計(jì)算用戶間關(guān)系的方法。他比歐幾里德距離評(píng)價(jià)的計(jì)算要復(fù)雜一些,但對(duì)于評(píng)分數(shù)據(jù)不規(guī)范時(shí)皮爾遜相關(guān)度評(píng)價(jià)能夠給出更好的結(jié)果。以下是一個(gè)多用戶對(duì)多個(gè)商品進(jìn)行評(píng)分的示例。這個(gè)示例比之前的兩個(gè)商品的情況要復(fù)雜一些,但也更接近真實(shí)的情況。我們通過(guò)皮爾遜相關(guān)度評(píng)價(jià)對(duì)用戶進(jìn)行分組,并推薦商品。
1.4皮爾遜相關(guān)系數(shù)
皮爾遜相關(guān)系數(shù)的計(jì)算公式如下,結(jié)果是一個(gè)在-1與1之間的系數(shù)。該系數(shù)用來(lái)說(shuō)明兩個(gè)用戶間聯(lián)系的強(qiáng)弱程度。
相關(guān)系數(shù)的分類
通過(guò)計(jì)算5個(gè)用戶對(duì)5件商品的評(píng)分我們獲得了用戶間的相似度數(shù)據(jù)。這里可以看到用戶A&B,C&D,C&E和D&E之間相似度較高。下一步,我們可以依照相似度對(duì)用戶進(jìn)行商品推薦。
為用戶C推薦商品
當(dāng)我們需要對(duì)用戶C推薦商品時(shí),首先我們檢查之前的相似度列表,發(fā)現(xiàn)用戶C和用戶D和E的相似度較高。換句話說(shuō)這三個(gè)用戶是一個(gè)群體,擁有相同的偏好。因此,我們可以對(duì)用戶C推薦D和E的商品。但這里有一個(gè)問(wèn)題。我們不能直接推薦前面商品1-商品5的商品。因?yàn)檫@這些商品用戶C以及瀏覽或者購(gòu)買過(guò)了。不能重復(fù)推薦。因此我們要推薦用戶C還沒(méi)有瀏覽或購(gòu)買過(guò)的商品。
加權(quán)排序推薦
我們提取了用戶D和用戶E評(píng)價(jià)過(guò)的另外5件商品A—商品F的商品。并對(duì)不同商品的評(píng)分進(jìn)行相似度加權(quán)。按加權(quán)后的結(jié)果對(duì)5件商品進(jìn)行排序,然后推薦給用戶C。這樣,用戶C就獲得了與他偏好相似的用戶D和E評(píng)價(jià)的商品。而在具體的推薦順序和展示上我們依照用戶D和用戶E與用戶C的相似度進(jìn)行排序。
以上是基于用戶的協(xié)同過(guò)濾算法。這個(gè)算法依靠用戶的歷史行為數(shù)據(jù)來(lái)計(jì)算相關(guān)度。也就是說(shuō)必須要有一定的數(shù)據(jù)積累(冷啟動(dòng)問(wèn)題)。對(duì)于新網(wǎng)站或數(shù)據(jù)量較少的網(wǎng)站,還有一種方法是基于物品的協(xié)同過(guò)濾算法。
基于物品的協(xié)同過(guò)濾算法(item-based collaborative filtering)
基于物品的協(xié)同過(guò)濾算法與基于用戶的協(xié)同過(guò)濾算法很像,將商品和用戶互換。通過(guò)計(jì)算不同用戶對(duì)不同物品的評(píng)分獲得物品間的關(guān)系?;谖锲烽g的關(guān)系對(duì)用戶進(jìn)行相似物品的推薦。這里的評(píng)分代表用戶對(duì)商品的態(tài)度和偏好。簡(jiǎn)單來(lái)說(shuō)就是如果用戶A同時(shí)購(gòu)買了商品1和商品2,那么說(shuō)明商品1和商品2的相關(guān)度較高。當(dāng)用戶B也購(gòu)買了商品1時(shí),可以推斷他也有購(gòu)買商品2的需求。
1.尋找相似的物品
表格中是兩個(gè)用戶對(duì)5件商品的評(píng)分。在這個(gè)表格中我們用戶和商品的位置進(jìn)行了互換,通過(guò)兩個(gè)用戶的評(píng)分來(lái)獲得5件商品之間的相似度情況。單從表格中我們依然很難發(fā)現(xiàn)其中的聯(lián)系,因此我們選擇通過(guò)散點(diǎn)圖進(jìn)行展示。
在散點(diǎn)圖中,X軸和Y軸分別是兩個(gè)用戶的評(píng)分。5件商品按照所獲的評(píng)分值分布在散點(diǎn)圖中。我們可以發(fā)現(xiàn),商品1,3,4在用戶A和B中有著近似的評(píng)分,說(shuō)明這三件商品的相關(guān)度較高。而商品5和2則在另一個(gè)群體中。歐幾里德距離評(píng)價(jià)
在基于物品的協(xié)同過(guò)濾算法中,我們依然可以使用歐幾里德距離評(píng)價(jià)來(lái)計(jì)算不同商品間的距離和關(guān)系。以下是計(jì)算公式。
通過(guò)歐幾里德系數(shù)可以發(fā)現(xiàn),商品間的距離和關(guān)系與前面散點(diǎn)圖中的表現(xiàn)一致,商品1,3,4距離較近關(guān)系密切。商品2和商品5距離較近。
皮爾遜相關(guān)度評(píng)價(jià)
我們選擇使用皮爾遜相關(guān)度評(píng)價(jià)來(lái)計(jì)算多用戶與多商品的關(guān)系計(jì)算。下面是5個(gè)用戶對(duì)5件商品的評(píng)分表。我們通過(guò)這些評(píng)分計(jì)算出商品間的相關(guān)度。
皮爾遜相關(guān)度計(jì)算公式通過(guò)計(jì)算可以發(fā)現(xiàn),商品1&2,商品3&4,商品3&5和商品4&5相似度較高。下一步我們可以依據(jù)這些商品間的相關(guān)度對(duì)用戶進(jìn)行商品推薦。
2,為用戶提供基于相似物品的推薦
這里我們遇到了和基于用戶進(jìn)行商品推薦相同的問(wèn)題,當(dāng)需要對(duì)用戶C基于商品3推薦商品時(shí),需要一張新的商品與已有商品間的相似度列表。在前面的相似度計(jì)算中,商品3與商品4和商品5相似度較高,因此我們計(jì)算并獲得了商品4,5與其他商品的相似度列表。
以下是通過(guò)計(jì)算獲得的新商品與已有商品間的相似度數(shù)據(jù)。
加權(quán)排序推薦
這里是用戶C已經(jīng)購(gòu)買過(guò)的商品4,5與新商品A,B,C直接的相似程度。我們將用戶C對(duì)商品4,5的評(píng)分作為權(quán)重。對(duì)商品A,B,C進(jìn)行加權(quán)排序。用戶C評(píng)分較高并且與之相似度較高的商品被優(yōu)先推薦。
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長(zhǎng)度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長(zhǎng)序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠(chéng)摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡(jiǎn)稱 BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測(cè)分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢(shì)預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測(cè)分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭(zhēng)搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢(shì)性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢(shì)性檢驗(yàn)如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢(shì)與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢(shì)變化以及識(shí)別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國(guó)內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對(duì)策略? 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場(chǎng)調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場(chǎng)調(diào)研是企業(yè)洞察市場(chǎng)動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場(chǎng)調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書(shū)考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開(kāi)啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03