大数据存储与处理-推荐系统(PPT 78页)

主要内容
第九章 推荐系统
推荐系统模型
从稀缺到丰富：推荐的需求
Physical vs Online
推荐
推荐类型
严格模型
关键问题
评分的收集
效用的推断
基于内容的推荐系统
基于内容的推荐
推荐的过程
项模型  item profile
Recap：TF.IDF
用户模型User profiles
基于内容方法的优点
基于内容方法的缺点
协同过滤 collaborative filtering
协同过滤
相似的用户
缺失  =  否定？
评分预测
基于项目的协同过滤 Item-Item CF
CF：基本操作
Item-Item vs User-User
CF的优缺点
混合方法
评估及实际问题
评估预测性能
错误测度的问题
CF：复杂度
潜在因素模型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
回顾：协同过滤CF
改进评分估计
插入权重值
如何确定插入权值
用最优化求解推荐问题
梯度下降法求解最优的w
求解（学习）权值小结
LFM
评分 = Factor的乘积
Latent Factor Model
回顾：SVD
Factor的数量
梯度下降
随机梯度下降
随机梯度下降 SGD
LFM中引入偏差因素
适应新模型
启示:增加数据
总结

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