html5网站开发技术,最好免费高清视频下载,金融行业seo整站优化,怎么知道网站程序是什么做的中英译本及下载#xff1a;http://blog.sina.com.cn/s/blog_586631940100pduh.html 以下是摘要笔记#xff1a; 算法应当结合用户的习惯#xff0c;用户特点的分类 观影习惯是比较单一 还是比较分散 这是不同的 一、推荐的宗旨#xff1a;推荐应该要帮助顾客找到和发现新的…中英译本及下载http://blog.sina.com.cn/s/blog_586631940100pduh.html 以下是摘要笔记 算法应当结合用户的习惯用户特点的分类 观影习惯是比较单一 还是比较分散 这是不同的 一、推荐的宗旨推荐应该要帮助顾客找到和发现新的、相关的、有趣的商品。 Recommendations should help a customer find and discover new, relevant, and interesting items. 二、解决推荐问题有三个通常的途径传统的协同过滤聚类模型以及基于搜索的方法。 推荐算法大多数推荐算法都始于先找出一个顾客集合他们买过和评级过的商品与当前用户买过和评级过的商品有重叠。算法把来自这些相似顾客的商品聚集起来排除该用户已经购买过或评级过的商品并向该用户推荐其余的商品。 这些算法有两个最常见的版本协同过滤和聚类模型。其他算法——包括基于搜索的方法以及我们自己的商品到商品协同过滤——都集中于寻找相似的商品而不是相似的顾客。针对用户所购买和评级的每一件商品算法试图找到相似的产品然后聚集这些相似的商品并给予推荐。 1.传统的协同过滤 利用协同过滤来产生推荐很耗计算如果降维则会影响品质。 2.聚类模型 算法的目标是把该用户分配到含有最相似顾客的细分人群里然后算法再利用该细分顾客人群的购买和评级来生成推荐。 较之协同过滤聚类模型有更好的在线可扩展性和性能、复杂和昂贵的聚类计算会离线运行。然而推荐品质却是低的 3.基于搜索的方法基于搜索或内容的方法将推荐问题视为相关商品的搜索如果该用户只有少数购买或评级基于搜索的推荐算法在计算量和性能上都不错。然而对于有数千次购买的用户要以针对所有商品的查询为基础也不太可行若使用子集则又降低了品质。 三、电子商务推荐算法的环境挑战• 大型零售商有海量的数据以千万计的顾客以及数以百万计的登记在册的不同商品。• 许多应用要求结果实时返回在半秒之内还要产生高质量的推荐。• 新顾客很典型他们的信息很有限只能以少量购买或产品评级为基础。• 较老的顾客信息丰沛以大量的购买和评级为基础。• 顾客数据不稳定每一次交互都可提供有价值的顾客数据算法必须立即对新的信息作出响应。 商品到商品的协同过滤 把推荐作为一种定向营销工具。每有一个用户就有一个用户的个性化商店 它如何工作 协同过滤的变种将商品分类而不是用户 对于非常大的数据集一个可扩展的推荐算法必须离线运行最昂贵的计算。而现有方法达不到这样的要求• 传统的协同过滤只做很少或不做离线计算其在线计算量取决于顾客和登记在册商品的数量。在大数据集的情况下这样的算法不可行除非使用维度降低、抽样或区隔——所有这些都降低了推荐的品质。• 聚类模型能离线运行大量的计算但推荐品质相对较差。出于改进可以增加人群细分的数量但这会使在线的用户-细分人群的分类变得昂贵。• 基于搜索的模型离线建立起关键词、范畴、作者索引但不能提供符合兴趣、定向内容的推荐。对于购买和评级很多的顾客来说这些算法的扩展性不佳。商品到商品协同过滤的可扩展性和性能的关键是它离线建立耗时巨大的相似商品表格。该算法的在线部分——针对当前用户的购买和评级来寻找相似的商品——计算量独立于商品目录的规模或顾客的总数仅仅取决于该用户买过或评级过多少个商品。因此甚至是对于超大数据集算法也很快速。由于该算法能推荐高度关联的相似商品推荐的品质就很出色10。与传统的协同过滤不同该算法在用户数据有限的情况下也能运行良好在少至2到3件商品的基础上产生高品质的推荐。 连接 http://blog.sina.com.cn/s/blog_586631940100pduh.html http://www.xysay.com/amazon-item-to-item-collaborative-filtering-207.html转载于:https://www.cnblogs.com/lance-/p/3935327.html
