大數據存儲與處理-推薦係統(PPT 78頁)

主要內容
第九章 推薦係統
推薦係統模型
從稀缺到豐富：推薦的需求
Physical vs Online
推薦
推薦類型
嚴格模型
關鍵問題
評分的收集
效用的推斷
基於內容的推薦係統
基於內容的推薦
推薦的過程
項模型 item profile
Recap：TF.IDF
用戶模型User profiles
基於內容方法的優點
基於內容方法的缺點
協同過濾 collaborative filtering
協同過濾
相似的用戶
缺失 = 否定？
評分預測
基於項目的協同過濾 Item-Item CF
CF：基本操作
Item-Item vs User-User
CF的優缺點
混合方法
評估及實際問題
評估預測性能
錯誤測度的問題
CF：複雜度
潛在因素模型Latent factor models
Netflix Prize
The Netflix Utility Matrix R
Utility Matrix R: Evaluation
BellKor Recommender System
本地及全局特征的模型化
回顧：協同過濾CF
改進評分估計
插入權重值
如何確定插入權值
用最優化求解推薦問題
梯度下降法求解最優的w
求解（學習）權值小結
LFM
評分 = Factor的乘積
Latent Factor Model
回顧：SVD
Factor的數量
梯度下降
隨機梯度下降
隨機梯度下降 SGD
LFM中引入偏差因素
適應新模型
啟示:增加數據
總結

..............................