1、塑造用戶(hù)畫(huà)像的一個(gè)重要方向？用戶(hù)行為數(shù)據(jù)：顯性反饋行為：評(píng)分，評(píng)論等無(wú)上下文信息的隱性反饋數(shù)據(jù)集：每一條記錄包含用戶(hù)ID,物品ID無(wú)上下文信息的顯性反饋數(shù)據(jù)集：用戶(hù)ID,物品ID,評(píng)分隱形反饋行為：瀏覽網(wǎng)頁(yè)等有上下文信息的隱性反饋數(shù)據(jù)集：用戶(hù)ID,物品ID,用戶(hù)對(duì)物品產(chǎn)生行為的時(shí)間戳有上下文信息的顯性反饋數(shù)據(jù)集：用戶(hù)ID,物品ID,評(píng)分，評(píng)分發(fā)生的時(shí)間戳當(dāng)前采用的比較多的推薦模式？協(xié)同過(guò)濾：僅僅基于用戶(hù)的行為數(shù)據(jù)(應(yīng)用得最廣泛的是基于領(lǐng)域的算法,即：基于用戶(hù)的協(xié)同過(guò)濾算法1找到目標(biāo)用戶(hù)興趣相似的用戶(hù)集合2找到這個(gè)集合的用戶(hù)喜歡的,且目標(biāo)用戶(hù)沒(méi)有聽(tīng)說(shuō)過(guò)的物品推薦給目標(biāo)用戶(hù)基于物品的協(xié)同過(guò)濾算法同

2、理,找到目標(biāo)用戶(hù)感興趣的物品相似的物品,推薦給目標(biāo)用戶(hù))推薦的步驟可以簡(jiǎn)單地歸納為：構(gòu)造數(shù)據(jù)集(設(shè)計(jì)用戶(hù),物品的數(shù)據(jù)結(jié)構(gòu))2確定相似算法，計(jì)算相似度(Jaccard，余弦相似度，歐幾里得，皮爾遜等)排名(可能涉及到通過(guò)相似度推算出用戶(hù)對(duì)自己沒(méi)有進(jìn)行過(guò)行為的商品的喜好程度),推薦通過(guò)經(jīng)典的MovieLens實(shí)驗(yàn)來(lái)理解：基于用戶(hù)：1數(shù)據(jù)集結(jié)構(gòu)：critics=A用戶(hù):a物品:分?jǐn)?shù)，b物品:分?jǐn)?shù)，,B用戶(hù):a物品:分?jǐn)?shù)，b物品:分?jǐn)?shù)，,在這里用戶(hù)即為對(duì)電影評(píng)分的用戶(hù)，物品即為電影，示例井一個(gè)涉及彫評(píng)者及其時(shí)幾部影片評(píng)分情況的字典critics=LisaRaser：1LadyintheWater：2.

3、5,1SnakesonaPlanef：3.5,RJustMyLuck1:3.0,1SupermanReturnsR:3.5,1You,MeandDupree1:2.5,1TheNightListener:3.0,GeneSeymour*:LadyintheWater；3.0,hSnakesonaPlane:3,5,1JuseKyLuck:1,5,1SupermanReturns:5.0,1TheNightListenerr；3*0,1You,MeandDupree1:3.5),MichaelPhillips1:(1LadyintheWater；2,S,1SnakesonaPlane1:3.0,

4、1SupermanReturns1:3.5,1TheNightListener:4.0,ClaudiaPuig:rSnakesonaPlane:3.5,rJustMyLuck1:3*0,HTheNightListenerr:4+5SupermanReturns:4.0,You,MeandDupree1:2,5,1ickLaSalle1:(1LadyintheWater1:3*0SnakesonaPlane1:4.0,1JustMyLuck1:2.0rSupermanReturns*:3.0,TheNightListener*:3.0,You,MeandDupree:2.0,1JackMatth

5、ews1:1LadyintheWaterf:3.0,SnakesonaPlane1:4.0ffTheNightListener:3.0,SupermanReturns1:5.0,You,MeandDupree1:3.5,Toby1:(1SnakesonaPlan1:4*5,rYou,MeandDupree:l,0,SupermanReturns：4.0評(píng)分采用0-5分的范圍，有的采用0-1相似度的度量（1）歐幾里得距離：在偏好空間中距離越近越相似，例相似度=1/（1+兩用戶(hù)距離）范圍01,值越大越相似（2）皮爾遜針對(duì)用戶(hù)打分習(xí)慣不一樣，有的給分普遍偏高，有的則低（避免評(píng)分習(xí)慣造成的誤差）引入“

6、最佳擬合線(xiàn)”（盡可能靠近地圖上的所有坐標(biāo)點(diǎn)）eneSeniiirMkkLaS|teJ2-2;在散點(diǎn)圖上比較兩位影評(píng)者的評(píng)分結(jié)果范圍01,越大越相似，例如（系數(shù)為0.75）：2-3：具有較高相關(guān)度評(píng)價(jià)值的兩位評(píng)論者LiuftiKe4知出?*臻rman3H聯(lián)険諂JDupreea*Lady.A-i.：；：.2起；：,我、-:竝s._:y-：.-.遐曲心罷住敘w弧浚;上1疇譏必護(hù)-J1kiLltI|11111L12jjJBLMIMttnCWS相似度排名返回結(jié)果：reload(reconmandations)rcttnftandation*.topMatohas(re3)(0.9912407071619

7、2991,LisaRose1)y(0.924473451641904B6,rMickLaSalle*)(0.89340514744156474,ClaudiaPuig1)補(bǔ)充：1.給定用戶(hù)u和用戶(hù)v,N(u)表示用戶(hù)u曾經(jīng)有過(guò)正反饋的物品集合，N(v)為用戶(hù)v曾經(jīng)有過(guò)正反饋的物品集合，計(jì)算兩個(gè)用戶(hù)的興趣相似度wuz:.N(u)nV)|%=血)UMJaccard公式：例：余弦相似度:險(xiǎn))rw)|訓(xùn)|皿訓(xùn)圖2北用戶(hù)行為記錄舉例可理.我們可以計(jì)算出用戶(hù)A和用戶(hù)匚D的相似度：TOC o 1-5 h z|偽b,d仃紡胡|1VI.1=人=r麻麗TT両晶Is上同仃&乩罰I1w.,=JL=lt詔同3推薦推算用

8、戶(hù)對(duì)沒(méi)看過(guò)電影的評(píng)分，即用相似度與其他用戶(hù)對(duì)該電影的評(píng)分乘積加權(quán)求均值例：表22為T(mén)oby提供推薦iii平艸網(wǎng)?潮:聲說(shuō)憐:燃:憑X：:Si2戀Rose0.993.02.972.52.483.02.97Seymour0.383.01.143,01.141.50.57Puig0.894.54.023.02.68LaSalle0.923.02.773.02,T7：2.0reload(reccnoienda七文ohm)_.i七*qmMiwnrtAeioM.calculataSijnilarltMk*(recHmmindntions-critioa)Itwim1LadyintheWaterr:(0.4

9、0000000000000002,fYoufMeandDupree1),(0.2357142857142&57,TheNightListener),SnakesonaPlane1:(0.22222222222222221,LadyintheWaterr),0.181&181&181818182,TheNightListener1.etc*后面同理。我們還需要做什么？算法評(píng)測(cè)1將用戶(hù)行為數(shù)據(jù)集按照均勻分布隨機(jī)分為M份，1份作為測(cè)試集，剩下的（M-1）份作為訓(xùn)練集。進(jìn)行M次實(shí)驗(yàn),，每次都使用不同的測(cè)試集，將M次實(shí)驗(yàn)測(cè)出的評(píng)測(cè)指標(biāo)（準(zhǔn)確率或者召回率）的平均值最為最后的評(píng)測(cè)指標(biāo)。2對(duì)u用戶(hù)推薦N個(gè)物品（記為R（u）,用戶(hù)u在測(cè)試集上喜歡的物品集合為T(mén)（u）,Precis