我们在哪能见到推荐系统

个性化正在改变我们关于世界的经验

影片推荐

商品推荐

音乐推荐

朋友推荐

image.png

药品 – 靶相互作用

3 推荐的分类模型

3.1 最简单的方法 – 流行度

3.2 处理方案一 分类模型

我将要买这个商品的概率是多少

分类方法的限制

4 协同过滤

处理方案二 : 协同过滤

同现矩阵

应用同现矩阵做推荐

5 流行物品的影响

同现矩阵必需被正规化

6 正规化同现矩阵

类似度

• 局限性

  

购买商品的加权平均

• 局限

  

7 矩阵补全问题

处理方案三 : 通过矩阵分解来发现隐藏的结构

电影推荐

矩阵补全问题

8 通过客户和物品的特征进行推荐

假设对于每个客户和影片具备 d 个主题

9 利用矩阵形式预测

10 通过矩阵分解发现隐藏结构

矩阵分解模型 : 从数据发现主题

矩阵分解的局限性

11 把以上综合起来 : 特征+矩阵分解

综合特征发现主题

混合模型

12 推荐系统的性能度量

婴儿用品的世界

客户喜欢的物品子集

为什么不使用分类精确率呢

多少喜欢的物品被推荐了呢

推荐的物品中有哪些是客户喜欢的呢

13 最优推荐

最大化召回率 : 推荐所有物品

结果精确率呢

最优推荐

14 精确率-召回率曲线

哪一个算法最好呢

15 推荐系统总结

• 训练集
  用户 产品评分的表格
  抽出少量特征,如产品/客户 ID 特征对,目标是预测这些客户会给这些产品做出相应的评分,所以说客户 ID 对产品 ID 的评分就是我们的目标 y 帽
• 机器模型
  矩阵分解模型,w 帽即是预测参数

学到了