Press "Enter" to skip to content

基于协同的SlopeOne推荐算法原理介绍和实现

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

Slope One 算法是由 Daniel Lemire 教授在 2005 年提出的一个 Item-Based 的协同过滤推荐算法。
——文章概要

 

该篇文章主要介绍Slope One算法。Slope One 算法是由 Daniel Lemire 教授在 2005 年提出的一个 Item-Based 的协同过滤推荐算法。和其它类似算法相比, 它的最大优点在于算法很简单, 易于实现, 执行效率高, 同时推荐的准确性相对较高。

 

协同过滤算法理解和Python实现

 

基于标签的推荐算法

 

基于图的推荐算法

 

经典的ItemCF的问题

 

经典的基于物品推荐,相似度矩阵计算无法实时更新,整个过程都是离线计算的,而且还有另一个问题,相似度计算时没有考虑相似度的置信问题。例如,两个物品,他们都被同一个用户喜欢了,且只被这一个用户喜欢了,那幺余弦相似度计算的结果是 1,这个 1 在最后汇总计算推荐分数时,对结果的影响却最大。

 

Slope One 算法针对这些问题有很好的改进。不过 Slope One 算法专门针对评分矩阵,不适用于行为矩阵。

 

Slope One算法过程

 

Slope One 算法是基于不同物品之间的评分差的线性算法,预测用户对物品评分的个性化算法。

 

Slope算法主要分为3步

 

1. 计算物品之间的评分差的均值,记为物品间的评分偏差 (两物品同时被评分)

 

 

( r_ui – r_uj ) 表示评分的差,这里需要注意的是j相对i的评分偏差是 r_ui – r_uj ,如果是i相对j的评分偏差则是 r_uj – r _ui,两 者是互为相反数的关系。

 

其中:

 

r_ui :用户u对物品i的评分

 

r_uj :用户u对物品j的评分

 

N(i) :物品i评过分的用户

 

N(j) :物品j评过分的用户

 

N(i) 交 N(j) :表示同时对物品i 和物品j评过分的用户数。

 

2. 根据物品间的评分偏差和用户的历史评分,预测用户对未评分的物品的评分。

 

 

其中:

 

N(u) :用户u评过分的物品

 

3. 将预测评分进行排序,取Top N对应的物品推荐给用户

 

实例说明

 

例如现在有一份评分数据,表示用户对电影的评分:

 

 

现在我们来预测预测每个用户对未评分电影的评分。

 

Step1: 计算物品之间的评分偏差,以U1为例:

 

 

 

 

 

同理可以计算出电影b,c,d,e与其他电影的评分偏差。

 

Step2: 计算用户对未评分物品的可能评分(为了方便计算,这里以U2为例)

 

由上表可知,用户U2 对电影a没有评分,这里计算用户U2对电影a的评分。

 

Step3: 评分排序

 

由于给定样例中,U2只对a没有评过分,所以这里不需要进行排序,正常的话,按分数进行倒排就行。

 

代码实现

 

这里采用Python实现,在实现过程中并没有考虑算法的复杂度问题。

 

加载数据

 

计算物品之间的评分偏差

 

计算预估评分

 

主函数调用

 

打印结果为:

 

和上边我们计算的结果一致。

 

完整代码在: https://github.com/Thinkgamer/Machine-Learning-With-/tree/master/Recommend

 

应用场景

 

该算法适用于物品更新不频繁,数量相对较稳定并且物品数目明显小于用户数的场景。比较依赖用户的用户行为日志和物品偏好的相关内容。

 

其优点:

 

算法简单,易于实现,执行效率高;

 

可以发现用户潜在的兴趣爱好;

 

其缺点:

依赖用户行为,存在冷启动问题和稀疏性问题。

Be First to Comment

发表评论

邮箱地址不会被公开。 必填项已用*标注