01目錄CONTENTS基礎(chǔ)推薦算法02KNNBaseline模型調(diào)參03案例調(diào)參實(shí)現(xiàn)基礎(chǔ)推薦算法1PartMinimalistwindAI基于近鄰的推薦算法是比較基礎(chǔ)的推薦算法，在學(xué)術(shù)界和工業(yè)界應(yīng)用十分廣泛。這里所說的基于近鄰的推薦算法指的是協(xié)同過濾（CollaborativeFiltering）算法。基于近鄰的協(xié)同過濾推薦算法有兩種，分別為:基于物品的協(xié)同過濾（Item-CF-Based）算法基于用戶的協(xié)同過濾（User-CF-Based）算法基礎(chǔ)推薦算法MinimalistwindAI通過用戶的歷史行為數(shù)據(jù)發(fā)現(xiàn)用戶喜歡的物品，并對(duì)這些偏好進(jìn)行度量和打分，然后根據(jù)不同用戶對(duì)相同物品的評(píng)分或偏好程度來評(píng)測用戶之間的相似性，對(duì)有相同偏好的用戶進(jìn)行物品推薦?；A(chǔ)推薦算法1.UserCF算法的原理先“找到相似同戶”再“找到他們喜歡的物品”

圖基于用戶的協(xié)同過濾推薦的例子MinimalistwindAI通過不同用戶對(duì)物品的評(píng)分來評(píng)測物品之間的相似性，從而基于物品的相似性做推薦。簡而言之，是給用戶推薦他之前喜歡物品的相似物品?；A(chǔ)推薦算法2.ItemCF算法的原理先“找到用戶喜歡的物品”再“找到喜歡物品的相似物品”

圖基于物品的協(xié)同過濾推薦的例子3.對(duì)比分析：UserCF算法和ItemCF算法從適用場景上看基礎(chǔ)推薦算法從推薦系統(tǒng)多樣性上看從用戶特點(diǎn)上看KNNBaseline模型調(diào)參2PartKNNBaseline模型調(diào)參什么是調(diào)參？調(diào)參即超參數(shù)優(yōu)化，是指從超參數(shù)空間中選擇一組合適的超參數(shù)，以權(quán)衡好模型的偏差和方差，從而提高模型效果和性能。常用的調(diào)參方法有：人工手動(dòng)調(diào)參網(wǎng)格搜索隨機(jī)搜索貝葉斯調(diào)參KNNBaseline模型調(diào)參網(wǎng)格搜索，搜索的是參數(shù)，即在指定的參數(shù)范圍內(nèi)，按步長依次調(diào)整參數(shù)，利用調(diào)整的參數(shù)訓(xùn)練學(xué)習(xí)器，從所有的參數(shù)中找到在驗(yàn)證集上精度最高的參數(shù)，是一個(gè)訓(xùn)練和比較的過程。網(wǎng)格搜索適用于三四個(gè)（或者更少）的超參數(shù)。GridSearchCV調(diào)參案例調(diào)參實(shí)現(xiàn)3PartMinimalistwindAI本案例使用網(wǎng)格搜索法（GridSearchCV）調(diào)參的實(shí)現(xiàn)代碼如下：案例調(diào)參實(shí)現(xiàn)Minimalist