基于itemBase的協(xié)同過(guò)濾是怎么樣的

基于itemBase的協(xié)同過(guò)濾是怎么樣的，相信很多沒(méi)有經(jīng)驗(yàn)的人對(duì)此束手無(wú)策，為此本文總結(jié)了問(wèn)題出現(xiàn)的原因和解決方法，通過(guò)這篇文章希望你能解決這個(gè)問(wèn)題。

一、什么是協(xié)同過(guò)濾

舉個(gè)簡(jiǎn)單的例子，我們網(wǎng)購(gòu)的時(shí)候當(dāng)我們購(gòu)買(mǎi)了一件物品A,網(wǎng)站基本上都會(huì)做這樣一個(gè)提示，購(gòu)買(mǎi)該物品的人還購(gòu)買(mǎi)了。。然后是一個(gè)推薦清單，這就是典型的協(xié)同過(guò)濾，這具體是怎樣實(shí)現(xiàn)的呢？下面是我自己實(shí)現(xiàn)一個(gè)協(xié)同過(guò)濾的案例。

二、算法原理

基于item的協(xié)同過(guò)濾，通過(guò)用戶對(duì)不同item的評(píng)分來(lái)評(píng)測(cè)item之間的相似性，基于item之間的相似性做出推薦。簡(jiǎn)單來(lái)講就是：給用戶推薦和他之前喜歡的物品相似的物品。

對(duì)購(gòu)買(mǎi)了物品A的用戶C做推薦時(shí)：對(duì)于物品A和物品B在用戶B同現(xiàn)共1次，對(duì)于物品A和物品C在用戶A、B同現(xiàn)共2次，所以物品A和C的相似度2大于物品A和B的相似度1，所以將物品C推薦給用戶C。

那么，問(wèn)題來(lái)了如果用戶C表現(xiàn)出對(duì)物品B的喜好程度程度大于對(duì)物品C的喜好程度，那么我們?cè)儆脩鬋做推薦時(shí)是推薦物品B還是推薦物品C呢？

三、矩陣模型

為了解決上述問(wèn)題，引入了用戶評(píng)分矩矩陣。（上圖）左側(cè)是物品的同現(xiàn)矩陣，中間是用戶對(duì)物品的評(píng)分矩陣，這樣一來(lái)物品之間的相似度和用戶對(duì)物品的喜好程度兩個(gè)維度就都有了，兩個(gè)矩陣相乘得到物品的推薦矩陣。物品之間的相似度越高左側(cè)對(duì)應(yīng)的值就越大；用戶對(duì)物品的的喜好度越大則用戶評(píng)分矩陣中對(duì)應(yīng)的值也就越大；最終二者乘積就越大，這樣在推薦矩陣中分值越高的推薦度也就越大。

四、實(shí)現(xiàn)步驟

1. 建立物品的同現(xiàn)矩陣

2. 建立用戶對(duì)物品的評(píng)分矩陣

3. 計(jì)算得出推薦結(jié)果矩陣

   推薦結(jié)果矩陣=物品的同現(xiàn)矩陣* 用戶對(duì)物品的評(píng)分矩陣

4. 過(guò)濾與排序

五、mapreduce的job流程及進(jìn)出數(shù)據(jù)格式

第二個(gè)job：計(jì)算物品同現(xiàn)次數(shù)，得到物品的同現(xiàn)矩陣

第三個(gè)job：用戶的評(píng)分矩陣（根據(jù)用戶點(diǎn)擊、收藏、購(gòu)買(mǎi)等行為得到用戶對(duì)物品的打分情況，具體分值根據(jù)具體情況自定義）

第四個(gè)job：矩陣相乘得到推薦矩陣

第五個(gè)job：過(guò)濾（過(guò)濾掉已經(jīng)購(gòu)買(mǎi)過(guò)的item）與排序（降序）

看完上述內(nèi)容，你們掌握基于itemBase的協(xié)同過(guò)濾是怎么樣的的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！