机器学习-数据科学专业问答社区-CDA答疑社区

热线电话：13121318867

登录

dreamhappy2012

什么是基于物品的协同过滤算法？

问、什么是基于物品的协同过滤算法？答：全球著名的电子商务公司亚马逊的研发团队，提出了基于物品的协同过滤算法(Item-to-Item Collaborative Filtering)。• 基于物品的协同过滤(Item Collaboration Filter,简称ItemCF)算法给用户推荐那些和他们之前喜欢的物品相似的物品。

29.1701

1

3

0

关注作者

收藏

dreamhappy2012

基于用户的协同过滤算法局限性？

问、基于用户的协同过滤算法局限性？答：• 首先每次计算用户之间相似度的时候，需要遍历每个用户和所有用户的评分，这样在网站用户增长到一定程度后，计算用户之间的相似度的过程将会变得越发的困难；• 同时，基于用户的协同过滤的算法，并不是那么容易从数学原理的角度去解释。• 用户的口味其实变化还是很快的，不是静态的，所以兴趣迁移问题很难反应出来。• 数据稀疏，用户和用户之间有共同的消费行为实际上是

0.0000

0

4

0

关注作者

收藏

dreamhappy2012

用户的协同过滤算法的整体流程？

问、用户的协同过滤算法的整体流程？答：

0.0000

0

3

0

关注作者

收藏

dreamhappy2012

其他用户相似性计算指标

问、其他用户相似性计算指标答：• 余弦相关系数 • 杰卡德相关系数

0.0000

0

1

0

关注作者

收藏

dreamhappy2012

利用欧几里德距离怎么寻找偏好相似的用户？

问、利用欧几里德距离怎么寻找偏好相似的用户？答：• 欧几里德距离评价是一个较为简单的用户关系评价方法。原理是通过计算两个用户在散点图中的距离来判断不同的用户是否有相同的偏好。以下是欧几里德距离评价的计算公式。 • 系数越小表示两个用户间的距离越近，偏好也越是接近。但太小的数值可能无法准确的表现出不同用户间距离的差异，因此对求得的系数取倒数，使用户间的距离约接近，数值越大。

29.1701

1

3

0

关注作者

收藏

dreamhappy2012

散点图法寻找偏好相似的用户有什么缺点？

问、散点图法寻找偏好相似的用户有什么缺点？答：• 散点图虽然直观，但无法投入实际的应用，也不能准确的度量用户间的关系。• 因此我们需要通过数字对用户的关系进行准确的度量，并依据这些关系完成商品的推荐。

0.0000

0

2

0

关注作者

收藏

dreamhappy2012

基于用户的协同过滤算法主要分为哪两步？

问、基于用户的协同过滤算法主要分为哪两步？答：第一步：找到和目标用户兴趣相似的用户集合（关键在于计算两个用户之间的兴趣相似度）。第二步：找到这个集合中的用户所喜欢的，并且目标用户没有听说过的物品推荐给目标用户。

0.0000

0

2

0

关注作者

收藏

dreamhappy2012

什么是基于用户的协同过滤？

问、什么是基于用户的协同过滤？答：基于用户的协同过滤(User Collaboration Filter,简称UserCF)通过用户对不同内容（物品）的行为，来评测用户之间的相似性，找到“邻居”基于这种相似性做出推荐。• 这种推荐的本质是给相似的用户推荐其他用户喜欢的内容。• 这就是我们经常看到的：和你类似的人还喜欢如下内容

29.1701

1

2

0

关注作者

收藏

dreamhappy2012

用户偏好如何整合？

问、用户偏好如何整合？答：大多数情况我们提取的用户行为都多于一种，如何组合这些不同的用户行为，基本上有以下两种方式：将不同的行为分组一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户/物品相似度。加权操作根据不同行为反映用户喜好的程度将它们进行加权，得到用户对于物品的总体喜好。一般来说，显式的用户反馈比隐式的权值大，但比较稀疏，毕竟进行显示反馈的用户是少数；同时相对于

5.2148

1

4

0

关注作者

收藏

dreamhappy2012

用户偏好如何收集？包括哪些指标？

问、用户偏好如何收集？包括哪些指标？答：主要指标为：评分，投票，转发，保存书鉴，标记标签，评论，点击浏览，页面停留时间，购买

13.0054

2

3

0

关注作者

收藏

dreamhappy2012

如何理解物品相似度？

问、如何理解物品相似度？答：理论上，两个物品在某方面的属性或表现相似，就可以说两个物品在某方面是相似的。换句话来说，判断两个物品是否相似，必须找到一个评判的依据。这个依据是随意的，可以从物品内在的性质、外在的表现或者社会化的属性。

5.2148

1

1

0

关注作者

收藏

dreamhappy2012

如何理解用户偏好和用户相似度？

问、如何理解用户偏好和用户相似度？答：举个例子，四川人喜欢吃辣的食物就是一种关于饮食的用户偏好。在饮食方面，四川人A和四川人群的饮食偏好程度> 四川人A和湖南人群的饮食偏好程度> 四川人A和湖北人群的饮食偏好程度。某人和某XX在某方面的偏好程度，也可以描述为用户相似度。

5.2148

1

2

0

关注作者

收藏

dreamhappy2012

协同过滤的最基本的策略是什么？

问、协同过滤的最基本的策略是什么？答：•协同过滤通过用户和产品及用户的偏好信息产生推荐的策略。最基本的策略有两种： •一种是找到具有类似品味的人所喜欢的物品； •一种是从一个人喜欢的物品中找出类似的物品。 •这对应着两个最知名的类别推荐技术： •基于用户的协同过滤 •基于物品的协同过滤

5.2148

1

1

0

关注作者

收藏

dreamhappy2012

推荐系统评测指标有哪些？

问、推荐系统评测指标有哪些？答：1.用户满意度可以通过购买行为、点击率、用户停留时间、转化率等指标度量2.预测准确度度量系统预测用户行为的能力。3.覆盖率推荐系统对长尾物品的发掘能力，即推荐系统能够推荐出来的物品站总物品集合的比例。4.多样性。推荐列表需要能够覆盖用户不同的兴趣领域（比如某用户既喜欢看动漫又喜欢看武侠片）5.新颖性。给用户推荐那些他们以前没有听过的物品6.

5.2148

1

5

0

关注作者

收藏

dreamhappy2012

推荐系统中的用户行为有哪些？

问、推荐系统中的用户行为有哪些？答：1.显性反馈行为：用户明确表示对物品喜好的行为。主要方式是评分和喜欢/不喜欢。例如YouTube早期的5分评分系统以及后来改进的两档评分系统2.隐形反馈行为：不能明确反应用户喜好的行为。最有代表性的就是页面浏览行为。

5.2148

1

1

0

关注作者

收藏

dreamhappy2012

什么是推荐系统？

问、什么是推荐系统？答：• 推荐系统任务是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展示在对它感兴趣的用户面前，实现信息消费者和信息生产者的双赢。推荐的应用 •音乐、电影的推荐 •电子商务中商品推荐 •个性化阅读(新闻消息) •社交网络好友推荐、朋友圈推荐 •基于位置的服务推荐存在的两个前提点：1信息过载；2用户需求不明确

13.0054

2

4

0

关注作者

收藏

dreamhappy2012

机器学习与数据挖掘的区别？

问、机器学习与数据挖掘的区别？答：数据挖掘是从已有的历史数据中挖掘、总结知识，这个知识是已经碎片化存在的，和你是否进行挖掘无关。比如你看了很多电影，你对什么类型电影感兴趣你自己心里很清楚，而我并不知道。但是当你一五一十的把你看过的全部电影都跟我讲述一遍后，我便从你看过的电影中了解到你的电影偏好。这个电影偏好便是知识，知识是需要去挖掘去总结，才能更直观的被人所了解

0.0000

0

1

0

关注作者

收藏

wo56565

学习向量量化

KNN 算法的一个缺点是，你需要处理整个训练数据集。而学习向量量化算法（LVQ）允许选择所需训练实例数量，并确切地学习这些实例。LVQ 的表示是一组码本向量。它们在开始时是随机选择的，经过多轮学习算法的迭代后，最终对训练数据集进行最好的总结。通过学习，码本向量可被用来像 K 最近邻那样执行预测。通过计算每个码本向量与新数据实例之间的距离，可以找到最相似的邻居（最匹配的码本向量）。然后返回最匹配单元

34.3407

2

2

0

关注作者

收藏

wo56565

Boosting 和 AdaBoost

Boosting 是一种试图利用大量弱分类器创建一个强分类器的集成技术。要实现 Boosting 方法，首先你需要利用训练数据构建一个模型，然后创建第二个模型（它企图修正第一个模型的误差）。直到最后模型能够对训练集进行完美地预测或加入的模型数量已达上限，我们才停止加入新的模型。AdaBoost 是第一个为二分类问题开发的真正成功的 Boosting 算法。它是人们入门理解 Boosting 的最

16.1242

1

2

0

关注作者

收藏

wo56565

袋装法和随机森林

随机森林是最流行也最强大的机器学习算法之一，它是一种集成机器学习算法。自助法是一种从数据样本中估计某个量（例如平均值）的强大统计学方法。你需要在数据中取出大量的样本，计算均值，然后对每次取样计算出的均值再取平均，从而得到对所有数据的真实均值更好的估计。Bagging 使用了相同的方法。但是最常见的做法是使用决策树，而不是对整个统计模型进行估计。Bagging 会在训练数据中取多个样本，然后为每

16.1242

1

2

0

关注作者

收藏

<1…474849…69>

CDA考试动态

CDA报考指南