猜你喜欢关联推荐算法 泄漏 流出 注意及时观看 即将删除
Posted 凌飞
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了猜你喜欢关联推荐算法 泄漏 流出 注意及时观看 即将删除相关的知识,希望对你有一定的参考价值。
用户——特征关系矩阵:
用户 |
英伦 |
古典 |
简易 |
朋克 |
中性 |
唐僧 |
0.6 |
0.9 |
0.1 |
0.1 |
0.1 |
八戒 |
0.1 |
0.2 |
0.6 |
0.8 |
0.8 |
悟空 |
0.3 |
0.7 |
0.4 |
0.2 |
0.2 |
2)商品特征关系画像:
我们对已划分出的特征关系,对商品库中不同的商品做特征关系的画像,这里我们只列举5个商品,下面我们用矩阵的形式表达。
商品——特征关系矩阵:
商品 |
英伦 |
古典 |
简易 |
朋克 |
中性 |
商品A |
0.2 |
0.5 |
0.4 |
0.9 |
0.1 |
商品B |
0.1 |
0.6 |
0.6 |
0.3 |
0.8 |
商品C |
0.6 |
0.1 |
0.4 |
0.2 |
0.2 |
商品D |
0.8 |
0.3 |
0.4 |
0.2 |
0.2 |
商品E |
0.6 |
0.3 |
0.4 |
0.2 |
0.9 |
3)用户与商品的推荐匹配:
用户要与商品库中商品做特征关系匹配计算,哪个商品的匹配值最大说明两者特征关系最相近,那么就推荐值最大的这个商品给到用户。
例如用户“唐僧”与“商品A”的匹配计算,相同特征关系数值相乘再求和:0.6*0.2+0.9*0.5+0.1*0.4+0.1*0.9+0.1*0.1=0.71
用户 |
英伦 |
古典 |
简易 |
朋克 |
中性 |
唐僧 |
0.6 |
0.9 |
0.1 |
0.1 |
0.1 |
商品 |
英伦 |
古典 |
简易 |
朋克 |
中性 |
商品A |
0.2 |
0.5 |
0.4 |
0.9 |
0.1 |
用户“唐僧”对5个商品特征关系匹配计算结果为商品D值最大,说明两者特征关系最相近,因此就会给用户推荐商品D:
用户 |
英伦 |
古典 |
简易 |
朋克 |
中性 |
|
唐僧 |
0.6 |
0.9 |
0.1 |
0.1 |
0.1 |
|
商品 |
英伦 |
古典 |
简易 |
朋克 |
中性 |
分值 |
商品A |
0.2 |
0.5 |
0.4 |
0.9 |
0.1 |
0.71 |
商品B |
0.1 |
0.6 |
0.6 |
0.3 |
0.8 |
0.77 |
商品C |
0.6 |
0.1 |
0.4 |
0.2 |
0.2 |
0.53 |
商品D |
0.8 |
0.3 |
0.4 |
0.2 |
0.2 |
0.83 |
商品E |
0.6 |
0.3 |
0.4 |
0.2 |
0.9 |
0.78 |
同理用户“八戒”“悟空”都需要对库中5个商品做匹配计算,根据计算结果你是否知道该如何给八戒和悟空推荐商品呢?
唐僧 |
八戒 |
悟空 |
|
商品A |
0.71 |
1.16 |
0.77 |
商品B |
0.77 |
1.37 |
0.91 |
商品C |
0.53 |
0.64 |
0.49 |
商品D |
0.83 |
0.7 |
0.69 |
商品E |
0.78 |
1.24 |
0.77 |
这个特征关系值是如何量化给定的呢?特征关系值可以通过用户的行为数据来做推算,(如:直接购买=5, 商品加购=4, 商品收藏=3, 回访=2 , 访问深度=1, 停留时间=-1 , 直接跳失=-5 ),如何具体推算特征关系的分值,这里就不在深讲,核心是理解特征关系推荐算法的逻辑。
2、相似用户推荐
这种推荐算法的逻辑是以用户的行为数据,找到相似的用户,通过相似人群喜好的商品来为用户推荐。算法主要是“多维空间中目标用户与用户群向量夹角的余弦(余弦相似度)”。
为了能具象理解,假设现在有三个商品“商品A、商品B、商品C”,我们把三个商品看成三个维度x轴、y轴、z轴。
当用户对商品产生行为就可以在三个维度轴做量化(比如:直接购买=5, 商品加购=4, 商品收藏=3, 回访=2 , 访问深度=1, 停留时间=-1 , 直接跳失=-5),这样就可以通过用户行为数据在这个三维空间里表达出一个向量,而这个向量就可以代表用户的喜好。
以上我们了解了三个商品(三维空间)通过向量来表达用户的喜好,那么在N多商品的多维空间下,当不同用户对不同商品发生了行为,会产生不同用户的向量表达,根据余弦公示,夹角余弦 = 向量点积/ (向量长度的叉积),找到要推荐的目标用户与之向量夹角最小的用户。夹角越小说明喜好越接近,反之表示两个人喜好很大不同。
找到要推荐的目标用户与之向量夹角最小的用户,那么当这个用户购买或偏好了某个商品,自然就可以为目标用户推荐相同的商品
了。
3、已购商品推荐
这种推荐算法的逻辑是以目标用户对某个商品产生的行为偏好为基准,找到这个商品用户群行为关联度最大的其它商品,推荐给目标用户。简单的理解就是和你买了相同的商品的人,大多数人又买了什么就给你推荐什么。
仍然假设有三个商品“商品A、商品B、商品C”,四个用户“唐僧、八戒、悟净、悟空”,其中唐僧、八戒、悟净都对商品产生了行为,而悟空只对商品A做了行为,那么如何给悟空做商品推荐呢?
下面用矩阵的形式来说明:
这里用户的行为量化仍然可以理解为:直接购买=5, 商品加购=4, 商品收藏=3, 回访=2 , 访问深度=1, 停留时间=-1 , 直接跳失=-5
商品A |
商品B |
商品C |
|
唐僧 |
5 |
-2 |
2 |
八戒 |
2 |
1 |
4 |
悟净 |
1 |
3 |
2 |
悟空 |
3 |
? |
? |
确定了目标用户“悟空”对“商品A”行为值,计算出唐僧、八戒、悟净用户商品A与商品B的偏好(A-B),商品A与商品C的偏好(A-C),算出商品A、商品B偏好均值,再计算目标用户商品A与商品B、商品C的均值偏好,值越大反映出人群用户对两个商品认为关联度相对越强,因此最终会推荐悟空商品C。
商品A |
商品B |
商品C |
|
唐僧 |
5 |
-2 |
2 |
八戒 |
2 |
1 |
4 |
悟净 |
1 |
3 |
2 |
悟空 |
3 |
? |
? |
商品A-B |
商品A-C |
||
唐僧 |
7 |
3 |
|
八戒 |
1 |
-2 |
|
悟净 |
-2 |
-1 |
|
均值 |
2 |
0 |
|
商品A-B均值 |
商品A-C均值 |
||
悟空 |
3 |
1 |
3 |
以上是关于猜你喜欢关联推荐算法 泄漏 流出 注意及时观看 即将删除的主要内容,如果未能解决你的问题,请参考以下文章