中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

協同過濾推薦算法是誕生最早且較為著名的推薦算法，其主要的功能是預測和推薦。

算法簡介

在網絡資訊和電子商務信息爆炸式的增長，繁雜的信息中容易造成流失，再次背景下用戶的個性化推薦系統顯得尤為重要，對電子商務平臺和社交信息平臺產生了質的影響。

協同過濾推薦算法是誕生最早，并且較為著名的推薦算法。主要的功能是預測和推薦。算法通過對用戶歷史行為數據的挖掘發現用戶的偏好，基于不同的偏好對用戶進行群組劃分并推薦品味相似的商品。

其主要價值體現在：

1. 將潛在用戶轉化為支付用戶；
2. 提升電子商務平臺交叉銷售能力；
3. 提升客戶對網站的忠誠度；
4. 提升廣告渠道轉化效率；
5. 提升用戶個性化體驗。

協同過濾算法分類

• 基于用戶的協同過濾算法（user-based collaboratIve filtering，簡稱：ucf）
• 基于物品的協同過濾算法（item-based collaborative filtering，簡稱：icf）

算法階段性工作內容

第一階段

建立用戶行為評分權重模型，達到對用戶行為數據化和可視化，。

以電子商品平臺為例：

• 某用戶進入商品下單頁權重2%；
• 點擊詳情權重8%；
• 收藏15%；
• 支付20%；
• 分享15%；
• 好評20%；
• 評分20%；
• 差評即分數為負數(向量為反方向)。

第二階段

建立測試集和訓練集。

• 訓練集：用于模型構建；
• 測試集：用于檢測模型構建，此數據只在模型檢驗時使用，用于評估模型的準確率。

測試集和訓練集的建立是為了防止模型的構建過度擬合，更是為了監測模型的準確性和可行性，方便對模型進一步修正。

例如：在班級內按身高、腰圍定制了衣服，衣服制作后全班同學穿上很適合，但當這個做衣服標準推行到全校時，制作的衣服很多同學穿不了，原因可能是沒有考慮到肩寬、臂展等。此處本班是訓練集，其他班是測試集。

第三階段

建立合理的數據監控，監視召回率、準確率和覆蓋率。為模型后期修正提供依據。

計算公式

歐幾里德距離公式

(為方便控制可取倒數，使結果分布在0—1之間)

? 余弦定理計算公式（N維空間）

（此處V1和V2為向量）

計算流程

應用實例

【余弦公式和ICF為例】以用戶實際評分為起點，建立商品評分矩陣（如下表）

1. 通過計算4個用戶（四維空間中）對4件商品的評分我們獲得了用戶間的相關性數據（如下表）。

系數浮動區間在-1~1之間，系數越靠近1，向量夾角越小，兩件商品的相關性越高，由此可見A&B、A&D的相關性最高，C&D相關性很弱。

相關系數：

• 強：0.8—1.0；
• 較強：0.6—0.8；
• 一般：0.4—0.6；
• 弱/不相關： ?0—0.4；
• 不推薦：-1.0—0；

2、利用用戶對某商品產生過的記錄計算其相關性。

【例如】：某用戶對商品A和商品B的行為得分為權重，對商品C和商品D進行加權排序，得分高者優先推薦。

根據相關性和加權評分后，商品C優先被推薦。

數據去噪修正

• 對大眾化，一線流程產品進行剔除，原因是本來具有超高曝光率和知名度的產品，不推薦用戶才能很快觸達，不必進行不需要的推薦。
• 對用戶瀏覽和購買過的商品進行剔除，以免造成重復性。
• 對商品歸一分類，避免商品的跨類別推薦，造成用戶并不需要此類商品。

【 例如】：對某用戶買衣服A，經過算法的綜合排名，發現排第一的是方便面，排第六的才是衣服B，結果推薦了方便面豈不鬧了笑話。但是對商品進行了歸一分類，服裝類商品只限推薦服裝，這樣服裝B就會優先推薦。

• 對商品類別間建立合理的加分機制，并對低頻商品建立合理的懲罰分值，使其推薦其他周邊商品。

【例如】：家具類商品為低頻商品，用戶長時間內只需要買一件，購買后再次推薦也無法提升支付率。但是可以在用戶支付下單后，通過計算，推薦家具的其它周邊商品（例如：飾物、窗簾等）。由于設定合理的懲罰分值和相關商品類別的加分機制，可以一定程度上提高周邊商品的推薦率，降低低頻商品的推薦率，從而由側面提升支付轉化率。

方案弊端

數據稀疏性。由于此類協同過濾的模型需要有訓練數據支撐，而在冷啟動期間用戶不會在數據模型中完成所有項目，所以數據會有稀疏性。

【解決思路】：可以按該類別商品的用戶平均水平進行推薦（項目冷啟動期間的方案待探討）。

可擴展性。協同過濾算法能夠容易地為千萬記用戶提供量化的推薦，但是對于電子商務網站，往往需要給成千上萬的用戶提供推薦，這就一方面需要提高響應速度，能夠為用戶實時地進行推薦;另一方面還應考慮到存儲空間的要求，盡量減少推薦系統運行對系統的負擔。

【解決思路】：劃定計算范圍，對無記錄和類別相關性差距較大的商品、無操作記錄的用戶進行剔除性。由此減少計算壓力。同時為提升用戶體驗，可以在離線期間對推薦數據進行訓練和計算。但以上方案會在一定程度上影響到推薦的精確

以上解決思路需進一步探討，歡迎大家一起進行交流~~

結語

真正完善的個性推薦系統需要進行基于物品的協同過濾、基于內容的協同過濾和基于模型的協同過濾組合使用，并結合平臺自身的商業模式、業務模式特性、召回率、覆蓋率和轉化率進行不斷的優化，建立各種輔助模型才能達到最優。

希望各位朋友來提提想法，有好想法大家一起探討交流。

本文由 @呵哈嘿~ 原創發布于人人都是產品經理。未經許可，禁止轉載。