推荐系统学习——基于TF-IDF的改进

Posted yfceshi

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了推荐系统学习——基于TF-IDF的改进相关的知识,希望对你有一定的参考价值。

使用用户打标签次数*物品打标签次数做乘积的算法尽管简单。可是会造成热门物品推荐的情况。物品标签的权重是物品打过该标签的次数,用户标签的权重是用户使用过该标签的次数。从而导致个性化的推荐减少,而造成热门推荐。

运用TF-IDF的思想能够对算法进行改进。TF-IDF(term frequemcy-inverse documnet frequency)是一种用于资讯检索和文本挖掘的加权技术。用来评估一个词的重要程度。其主要思想是假设某个词或短语在一篇文章中出现的频率TF高,而且在其它文章中非常少出现,则觉得此词或者短语具有非常好的类别区分能力,适合用来分类。IDF是逆向文件频率,即包括某个term的文件越少。则IDF越大。

IDF能够由总文件数目除以包括该词语的文件的数目,然后取对数得到:

技术分享

当中D代表文件的总数,分母代表包括该词语的文件的数目。为避免分母为0。通经常使用1+分母作为当前的分母。这样,当包括该词语的文件在总文件数量中所占比重非常小时,可以得到较大的TDF,从而可以得到较大的比重,有利于实现个性化的推荐。(可是引入的TDF却单纯的突出了小频率词汇的权重。从而又可能会给结果带来不好的影响

则TF-TDF = TF * TDF就反映了一个词对于整个文档集的重要程度。

将TF-IDF应用到基于标签的推荐系统的算法中,则能够进行例如以下改进:

技术分享

当中n(b)表示标签b被多少不同的用户所使用过。

同理,用n(i)表示物品i被多少个不同的用户打过标签。能够降低热门物品的权重。从而有效的避免热门物品的影响。

技术分享





技术分享







以上是关于推荐系统学习——基于TF-IDF的改进的主要内容,如果未能解决你的问题,请参考以下文章

基于网易云音乐评论的用户推荐系统

机器学习算法学习---推荐系统的常用算法

文本分类基于改进TF-IDF特征的中文文本分类系统

大数据技术之_24_电影推荐系统项目_04_推荐系统算法详解

基于TF-IDF的新闻标签提取

推荐系统之TF-IDF算法实现