1分钟了解相似性推荐
轉載自?1分鐘了解相似性推薦
前幾天聊的“協同過濾（Collaborative Filtering）”和“基于內容的推薦（Content-based Recommendation）”，都必須分析用戶的歷史行為數據（例如電影點擊數據，職位查看數據等），針對不同的用戶進行個性化推薦。如果系統沒有用戶的歷史行為數據積累，如何實施推薦呢？
?
今天接著用通俗的語言說說推薦算法中的“相似性推薦”。
?
什么是“相似性推薦”？
答：對于新用戶A，沒有ta的歷史行為數據，在ta點擊了item-X的場景下，可以將與item-X最相似的item集合推薦給新用戶A。
?
問題轉化為，如何用一種通用的方法，表達item之間的相似性。
?
仍以電影推薦為例，新用戶A進入了《我不是潘金蓮》電影詳情頁，如何對A進行電影推薦呢？
?
先看二維空間的點N，如何推薦與其最近的點？
答：可以用二維空間中，點與點之間的距離，表示點之間的遠近。
對于全集中的任何一個點M(xi, yi)，它與點N(x1, y1)的距離：
distance = (x1-xi)^2 + (y1-yi)^2
所以，只要計算全集中所有點與N的距離，就能計算出與它最近的3個點。
?
再看三維空間的點N，如何推薦與其最近的點？
答：可以用三維空間中，點與點之間的距離，表示點之間的遠近。
對于全集中的任何一個點M(xi, yi, zi)，它與點N(x1, y1, z1)的距離：
distance = (x1-xi)^2 + (y1-yi)^2 + (z1-zi)^2
所以，只要計算全集中所有點與N的距離，就能計算出與它最近的3個點。
?
循序漸進，對于一部電影《我不是潘金蓮》，假設它有10個屬性，則可以把它看做一個十維空間中的點：
點N《我不是潘金蓮》
{
導演：馮小剛
女主：范冰冰
男主：郭濤
女配：張嘉譯
男配：大鵬
類型：劇情
地區：中國大陸
語言：普通話
日期：2016
片長：140
}
?
對于電影全集中的任何一部電影，都可以計算與點N《我不是潘金蓮》之間的距離。二維三維中的點，可以用直線距離計算遠近，10維空間{導演,?女主,?男主,?女配,?男配,?類型,?地區,?語言,?日期,?片長}中的兩個點的距離，需要重新定義一個距離函數，例如：
distance = f1(導演) + f2(女主) + … +f10(片長)
這個距離，通俗的解釋，就是每個維度貢獻分值的總和。
?
分值可以這么定義：
f1(導演){
?????????如果兩部電影導演相同，得1分;
?????????如果導演不同，得0分;
}
?
例如，現在10維空間中，有另一個點M《芳華》
{
導演：馮小剛
女主：苗苗
男主：黃軒
女配：NULL
男配：NULL
類型：劇情
地區：中國大陸
語言：普通話
日期：2017
片長：140
}
?
要計算點M《芳華》與點N《我不是潘金蓮》的距離，代入distance距離計算公式：
distance = f1(導演) + f2(女主) + … +f10(片長)
???????? =1 + 0 + … + 1
???????? =5
即：導演、類型、地區、語言、片長相同各得1分，其他維度不同得0分。
?
遍歷電影全集中的10w部電影，就能找到與點N《我不是潘金蓮》最相近的3部電影，當用戶點擊《我不是潘金蓮》的詳情頁時，直接推薦這3部最相近的電影即可。
?
相似性推薦，原理大致如上，要說明的是：
由于沒有用戶歷史行為積累，不是個性化推薦，所以所有用戶的推薦結果都是相同的
一般來說，距離公式確實是線性的
一般來說，每個維度的權重不一樣
這個線性公式，以及維度的權重，都可以通過機器學習訓練出來
?
相似性推薦，希望這1分鐘，大家能有收獲。
總結
以上是生活随笔為你收集整理的1分钟了解相似性推荐的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Hostomy-有目的的网络托管
- 下一篇： 1分钟了解基于内容的推荐，pm又懂了