基于物品的协同过滤演算法ppt课件.ppt

《基于物品的协同过滤演算法ppt课件.ppt》由会员分享，可在线阅读，更多相关《基于物品的协同过滤演算法ppt课件.ppt（36页珍藏版）》请在三一办公上搜索。

1、,第五章 推薦,王海,目錄,1,推薦系統的出現,2,推薦引擎的分類,3,主流推薦演算法,4,結束語,推薦系統的出現,推薦：把使用者模型中興趣需求資訊和推薦對象的特徵資訊匹配，同時使用相應的推薦演算法進行計算刷選，找到使用者可能感興趣的推薦對象，然後推薦給使用者。,推薦系統應運而生,比如，早上買包子的時候，老闆就經常問我要不要來杯豆漿。,推薦在生活中無處不在,推薦在生活中無處不在,社交網站：向他推薦可能感興趣的人；基於社交圖譜的推薦：根據其好友的偏好來向其推薦人、群組、內容、商品等。,電子商務：個性化推薦,6,推薦在生活中無處不在,7,推薦對企業的價值,亞馬遜：35%的銷售來自推薦。貝索斯：“如

2、果我有一百萬的用戶，我就會做一百萬個不同的網站！”。Netflix：75%的觀看來自推薦。,推薦與搜索的差別,推薦滿足的是非明確的需求。因此，推薦結果的點擊率低於搜索結果。,常用推薦演算法,推薦技術發展至今已經歷了十餘年。開發者們試過各種各樣的方法。經過大量的實踐，人們發現似乎沒有任何一個方法可以獨領風騷、包打天下。不過，目前，協同過濾使用最普遍。,10,11,基於協同過濾的推薦,基於用戶的協同過濾推薦,核心思想：,基於用戶對物品的偏好找到相鄰鄰居用戶，然後將鄰居用戶喜歡的推薦給當前用戶,和我興趣相似的人喜歡的商品我也會喜歡。步驟：根據用戶對各種物品的偏好值的相似程度，對每兩個用戶之間進行相似

3、度計算，為每個用戶找到與之相似度最高的幾個鄰居用戶，然後將鄰居用戶對每個物品的偏好值的加權平均作為目標使用者的偏好值的預測值。把預測值最高的多個商品作為目標使用者的推薦清單。其中，每個鄰居用戶的權重取決於該鄰居使用者與目標使用者之間的相似度。,基於協同過濾的推薦,基於用戶的協同過濾推薦,如何計算用戶間的相似度：,基於協同過濾的推薦,基於用戶的協同過濾推薦,設N(u)為用戶u有過正回饋的物品集合，設N(v)為用戶v有過正回饋的物品集合，u和v的興趣相似度可以用Jaccard公式或余弦相似度計算，,Jaccard公式,余弦公式,基於協同過濾的推薦,基於用戶的協同過濾推薦,舉例：下圖表示用戶A對物品

4、a,b,d有過行為，用戶B對物品a,c有過行為,利用余弦相似度計算可得：用戶A和用戶B的興趣相似度為：同理，,基於協同過濾的推薦,基於用戶的協同過濾推薦,舉例：下圖表示用戶A對物品a,b,d有過行為，用戶B對物品a,c有過行為,給用戶推薦和他興趣最相似的K個用戶喜歡的物品,其中，p(u,i)表示用戶u對物品i的感興趣程度，S(u,k)表示和用戶u興趣最接近的K個用戶，N(i)表示對物品i有過行為的使用者集合，wuv表示用戶u和用戶v的興趣相似度，Rvi表示用戶v對物品i的興趣（這裡簡化，所有的Rvi都等於1）。,可以算出，用戶A對物品c、e的興趣是：,基於使用者的協同過濾的一大缺點,形成有意義

5、的鄰居集合很難。很多用戶兩兩之間只有很少幾個共同評分。而僅有的共同打了分的物品，往往是票房大片。再者，用戶之間的距離可能變得很快。這種離線演算法難以瞬間更新推薦結果。,R實戰-基於使用者的協同過濾演算法,#（0）安裝載入R包install.packages(recommenderlab)library(recommenderlab)#（1）載入數據集data(Jester5k) #該數據集包含5000個樣本數據，來源於Jester線上笑話推薦系統搜集的1999年4月至2003年5月期間的匿名使用者對笑話的評價數據#數據集包含對100個笑話的評價，評分從-10至+10#數據集中所有用戶至少評價3

6、6個笑話#Jester5k包含362106個評分#（2）基於用戶的推薦#hist(getRatings(Jester5k), main=Distribution of ratings)rU - Recommender(Jester5k1:1000, method = UBCF)rU,R實戰-基於使用者的協同過濾演算法,#向第1001和1002用戶推薦的5個物品recomU - predict(rU, Jester5k1001:1002, n=5) recomUas(recomU, list)#預測評分recomU - predict(rU, Jester5k1001:1002, type=ra

7、tings) recomUas(recomU, matrix),1:10,R實戰-基於使用者的協同過濾演算法,#（3）評價方案：1000個樣本，90%作為訓練集，10%作為測試集#測試集中15個物品用於推薦演算法中，另外的用於計算誤差e - evaluationScheme(Jester5k1:1000, method=split, train=0.9, given=15, goodRating=5)e#應用訓練集產生基於用戶的推薦r1 - Recommender(getData(e, train), UBCF)#對已知部分的測試數據（每個使用者對15個物品的評分）用基於使用者的推薦演算法計算

8、預測評分p1 - predict(r1, getData(e, known), type=ratings)errorU - calcPredictionAccuracy(p1, getData(e, unknown)errorU,RMSE：標準差MSE：方差MAE：平均絕對誤差,基於協同過濾的推薦,基於物品的協同過濾推薦,核心思想：,在計算鄰居時採用物品本身，即基於用戶對物品的偏好找到相似的物品，然後根據用戶的歷史偏好，推薦相似的物品給他。,這個方法由亞馬遜公司最早提出。在電商中得到了廣泛使用。基於用戶對物品的偏好計算出物品之間的相似度，然後根據當前使用者的偏好，推薦相似的物品給他。例：購買手

9、機的人也都購買了iPad，則說明這兩個物品相似。當使用者搜索或流覽手機，系統會向他推薦iPad。調參：採用何種相似度度量？,基於協同過濾的推薦,基於物品的協同過濾推薦,其中 是喜歡物品的用戶數， 是同時喜歡物品i和物品j的用戶數。,基於協同過濾的推薦,基於物品的協同過濾推薦,舉例：用戶A對物品a、b、d有過行為，用戶B對物品b、c、e有過行為，等等；,依此構建用戶-物品倒排表：物品a被用戶A、E有過行為，等等,基於協同過濾的推薦,基於物品的協同過濾推薦,在得到物品之間的相似度後，進入第二步：根據物品的相似度和用戶的歷史行為給用戶生成推薦列表：,ItemCF通過如下公式計算用戶u對一個物品j的興

10、趣：,其中，puj表示用戶u對物品j的興趣，N(u)表示使用者喜歡的物品集合（i是該用戶喜歡的某一個物品），S(i,K)表示和物品i最相似的K個物品集合（j是這個集合中的某一個物品），wji表示物品j和物品i的相似度，Rui表示用戶u對物品i的興趣（這裡簡化Rui都等於1）。,基於協同過濾的推薦,基於物品的協同過濾推薦,舉例：用戶A喜歡C+Primer中文版和程式設計之美兩本書，然後ItemCF會為這兩本書分別找出和它們最相似的3本書，並根據公式計算使用者對每本書的感興趣程度。,比如ItemCF給使用者推薦演算法導論，是因為這本書和C+Primer中文版相似-相似度為0.4，而且這本書也和程式

11、設計之美相似-相似度是0.5。考慮到用戶對C+Primer中文版的興趣度是0.3，對程式設計之美的興趣度是0.9，那麼使用者對演算法導論的興趣度就是1.30.4 + 0.90.5=0.97。以此類推可得用戶A對C+程式設計思想、代碼大全第二版、Effective C+中文版、程式設計珠璣的感興趣度分別為0.91、0.45、0.78和0.54。基於此便可以確定對使用者A的物品推薦順序為：演算法導論、C+程式設計思想、Effective C+中文版、程式設計珠璣、代碼大全第二版。,26,優點：一對物品之間的距離可能是根據成百上千萬的用戶的評分計算得出，往往能在一段時間內保持穩定。因此，這種演算法可

12、以預先計算距離，其線上部分能更快地生產推薦列表。缺點：不同領域的最熱門物品之間經常具有較高的相似度。這樣，可能會給喜歡演算法導論的同學推薦哈利波特。為此，在運行這種演算法時可以不納入最暢銷商品。,基於協同過濾的推薦,基於物品的協同過濾推薦,R實戰-基於物品的協同過濾演算法,#（0）安裝載入R包install.packages(recommenderlab)library(recommenderlab)#（1）載入數據集data(Jester5k) #該數據集包含5000個樣本數據，來源於Jester線上笑話推薦系統搜集的1999年4月至2003年5月期間的匿名使用者對笑話的評價數據#數據集包含

13、對100個笑話的評價，評分從-10至+10#數據集中所有用戶至少評價36個笑話#Jester5k包含362106個評分#（2）基於物品的推薦rI - Recommender(Jester5k1:1000, method = IBCF) rI,R實戰-基於物品的協同過濾演算法,#向第1001和1002用戶推薦的5個物品recomI - predict(rI, Jester5k1001:1002, n=5)recomIas(recomI, list)#預測評分recomI - predict(rI, Jester5k1001:1002, type=ratings) recomIas(recomI,

14、 matrix),1:10,R實戰-基於物品的協同過濾演算法,#（3）評價方案：1000個樣本，90%作為訓練集，10%作為測試集#測試集中15個物品用於推薦演算法中，另外的用於計算誤差e - evaluationScheme(Jester5k1:1000, method=split, train=0.9, given=15, goodRating=5)#應用訓練集產生基於物品的推薦r2 - Recommender(getData(e, train), IBCF)#對已知部分的測試數據（每個使用者對15個物品的評分）用基於使用者的推薦演算法計算預測評分p2 - predict(r2, getD

15、ata(e, known), type=ratings)errorI - calcPredictionAccuracy(p2, getData(e, unknown)errorI,RMSE：標準差MSE：方差MAE：平均絕對誤差,基於協同過濾的推薦,SlopOne,核心思想：,SlopeOne演算法是由 Daniel Lemire教授在2005年提出的一個 Item-Based 推薦演算法。它的思想很簡單，就是用均值化的思想來掩蓋個體的打分差異。和其它類似演算法相比, 它的最大優點在於演算法簡單, 易於實現, 執行效率高, 同時推薦的準確性相對很高。,基於協同過濾的推薦,SlopOne,例如,

16、 用戶X, Y和Z都對Item1-洗衣機打了分. 同時用戶X,Y還對Item2-電冰箱打了分, 此時用戶Z對Item2可能會打多少分呢?,據SlopeOne演算法, 使用者對Item j的打分可由如下公式確定,其中R(i,j)代表Item i到Item j的平均差，rtj表示目標使用者對Item j的打分，rki、rkj是參與打分Item j的用戶k對Item i跟Item j的打分，nj是參與打分Item j的人數。所以用戶Z對Item 2的打分為：4 - (5-10) + (4-5)/2 =7。,如果商品數目多於兩項，假設有M項，該如何計算打分值？,基於協同過濾的推薦,SlopOne,用戶

17、X, Y都對Item1-Item4打了分. 同時用戶Z對Item 1、Item 2、Item 4打了分, 此時用戶Z對Item 3可能會打多少分呢?,基於協同過濾的推薦,SlopOne,如果商品數目多於兩項，打分規則如下：,其中R(i,j)代表Item i到Item j的平均差，rtj表示目標使用者對Item j的打分，rki、rkj是參與打分Item j的用戶k對Item i跟Item j的打分，nj是參與打分Item j的人數。,根據公式可得：,34,需要預先離線計算出每兩個物品之間的偏好值平均差異。其線上部分運行很快。沒用到相似度計算。調參工作量大大減少。,基於協同過濾的推薦,SlopOne,優缺點：,結束語,推薦系統改變了沒有活力的網站與其使用者通信的方式。無需提供一種靜態體驗，讓使用者搜索並可能購買產品，推薦系統加強了交互，以提供內容更豐富的體驗。 推薦系統根據使用者過去的購買和搜索歷史，以及其他用戶的行為，自主地為各個使用者識別推薦內容。,The End,Thanks for listeninghttp:/,