基于內(nèi)容的推薦系統(tǒng)

根據(jù)每部電影的內(nèi)容以及用戶(hù)已經(jīng)評(píng)過(guò)分的電影來(lái)判斷每個(gè)用戶(hù)對(duì)每部電影的喜好程度，從而預(yù)測(cè)每個(gè)用戶(hù)對(duì)沒(méi)有看過(guò)的電影的評(píng)分。

電影內(nèi)容矩陣X * 用戶(hù)喜好矩陣θ = 電影評(píng)分表

那么，用戶(hù)喜好矩陣θ（用戶(hù)對(duì)于每種不同類(lèi)型電影的喜好程度）如何求解呢？

用戶(hù)喜好矩陣θ的代價(jià)函數(shù)：

其中，正則化項(xiàng)為防止過(guò)擬合。

• 優(yōu)點(diǎn)：

            （1）不存在商品冷啟動(dòng)問(wèn)題

            （2）可以明確告訴用戶(hù)推薦的商品包含哪些屬性

• 缺點(diǎn)：

             （1）需要對(duì)內(nèi)容進(jìn)行透徹的分析

             （2）很少能給用戶(hù)帶來(lái)驚喜

             （3）存在用戶(hù)冷啟動(dòng)的問(wèn)題

基于協(xié)同過(guò)濾的推薦系統(tǒng)

根據(jù)電影評(píng)分表和用戶(hù)喜好矩陣θ，來(lái)求得電影內(nèi)容矩陣X。然后，將電影內(nèi)容矩陣X與用戶(hù)喜好矩陣θ相乘，這樣就得到了一個(gè)完整的電影評(píng)分表。

所以，基于協(xié)同過(guò)濾的電影推薦就是根據(jù)每個(gè)用戶(hù)對(duì)于每種電影類(lèi)型的喜好程度以及用戶(hù)已經(jīng)評(píng)過(guò)分的電影來(lái)推斷每部電影的內(nèi)容，從而預(yù)測(cè)每個(gè)用戶(hù)對(duì)沒(méi)有看過(guò)的電影的評(píng)分。

那么，如何求解電影內(nèi)容矩陣X呢？

電影內(nèi)容矩陣X的代價(jià)函數(shù)：

用戶(hù)喜好矩陣X的獲取：

（1）通過(guò)在線問(wèn)卷調(diào)查來(lái)獲取用戶(hù)對(duì)電影的評(píng)價(jià)，但并不是所有的用戶(hù)都會(huì)填寫(xiě)，就算填寫(xiě)了，也不一定全部是正確信息；

（2）通過(guò)一種更高效的方式來(lái)同時(shí)求解電影內(nèi)容矩陣X和用戶(hù)喜好矩陣θ.

通過(guò)前面，可以看到電影內(nèi)容矩陣X和用戶(hù)喜好矩陣θ，它們的第一項(xiàng)是相同的，因此，我們可以將這兩個(gè)公式合并為一個(gè)公式來(lái)同時(shí)求解X與θ，這種方法的好處就是只用搜集用戶(hù)對(duì)電影的評(píng)分。

目標(biāo)是最小化這個(gè)代價(jià)函數(shù)，隨機(jī)初始化X和θ，通過(guò)梯度下降法或其他優(yōu)化算法求解。

（1）基于item的協(xié)同過(guò)濾

 先計(jì)算商品之間的相似度，然后根據(jù)商品之間的相似度來(lái)向用戶(hù)進(jìn)行推薦，如：用戶(hù)購(gòu)買(mǎi)了硬盤(pán)，則很有可能向用戶(hù)推薦u盤(pán)，因?yàn)橛脖P(pán)和u盤(pán)具有相似性。

在基于item的協(xié)同過(guò)濾中，只需要用戶(hù)對(duì)商品的評(píng)分，首先需要計(jì)算商品之間的相似度。

如何度量商品之間的相似度？

計(jì)算出商品之間的相似度之后， 我們就能夠預(yù)測(cè)用戶(hù)對(duì)商品的評(píng)分。

：商品i 與其他商品的相似度

：用戶(hù)u對(duì)其他商品的評(píng)分

分母：與商品 i 相似的商品的相似度的總和

表達(dá)的是：根據(jù)用戶(hù)u對(duì)其他和商品 i 相似的商品的評(píng)分來(lái)推斷用戶(hù)對(duì)商品 i 的評(píng)分。 當(dāng)求出用戶(hù)u對(duì)所有商品的預(yù)測(cè)評(píng)分后，將其進(jìn)行排序，選擇得分最高的商品推薦給用戶(hù)。

（2）基于用戶(hù)的協(xié)同過(guò)濾

基本思想：假設(shè)我們要對(duì)用戶(hù)A進(jìn)行推薦，首先要找到與用戶(hù)相似的其他用戶(hù)，看其他用戶(hù)都購(gòu)買(mǎi)過(guò)其他商品，把其他用戶(hù)購(gòu)買(mǎi)的商品推薦給用戶(hù)A。

這時(shí)就需要度量用戶(hù)之間的相似度，與基于item的協(xié)同過(guò)濾類(lèi)似：

：用戶(hù)u對(duì)商品 i 的評(píng)分

：用戶(hù)u對(duì)這些商品評(píng)分的平均值

計(jì)算了用戶(hù)之間的相似度之后就可以預(yù)測(cè)用戶(hù)對(duì)商品的評(píng)分。

 商品評(píng)分公式：

公式表示：根據(jù)與用戶(hù)u相似的其他用戶(hù)對(duì)商品i 的評(píng)分來(lái)推斷用戶(hù)u對(duì)商品i 的評(píng)分。 當(dāng)求出用戶(hù)u對(duì)所有商品的預(yù)測(cè)評(píng)分后，將其進(jìn)行排序，選擇得分最高的幾個(gè)商品推薦給用戶(hù)。

• 基于協(xié)同過(guò)濾推薦系統(tǒng)的優(yōu)點(diǎn)：

（1）能夠根據(jù)各個(gè)用戶(hù)的歷史信息推斷出商品的質(zhì)量

（2）不需要對(duì)商品有任何專(zhuān)業(yè)領(lǐng)域的知識(shí)

• 缺點(diǎn)：

（1）冷啟動(dòng)問(wèn)題

（2）gray sheep

（3）協(xié)同過(guò)濾的復(fù)雜度會(huì)隨著商品數(shù)量和用戶(hù)數(shù)量的增加而增加

（4）同義詞的影響

（5）shilling attack：對(duì)競(jìng)爭(zhēng)對(duì)手的商品專(zhuān)門(mén)打低分，對(duì)自己的商品打高分

日常生活中，我們每個(gè)人其實(shí)都直接或者間接接觸過(guò)推薦系統(tǒng)，也都享受過(guò)推薦系統(tǒng)帶來(lái)的生活上便利。關(guān)于推薦系統(tǒng)的介紹就到這里,希望大家以后多多支持腳本之家！