BAT个性化推荐算法

1.1个性化推荐算法综述

• 什么是个性化召回

  • 根据用户的属性行为上下文等信息从物品全集中选取其感兴趣的物品作为候选集

• 召回在推荐系统中的重要作用

  • 召回决定了最终推荐结果的天花板

• 工业界个性化召回分析

  • 基于用户行为的 CF

  • 基于user profile 自然属性/偏好 可扩展性差

  • 基于隐语义的 深度学习

2.1 lfm算法

• 个性化召回算法LFM(latent factor model)综述

  • LFM背景

    • 我喜欢看电影，电影之前是天气预报，我赶在电影前就打开电视结果看到了天气预报，这就可能导致天气预报与电影推荐向量越来越相似，造成不准确的推荐结果（在本例中，推荐天气预报内容即为不准确的推荐结果）
    • 为了解决上面这个问题,LFM应运而生

  • 什么是LFM

    • 	Item1	Item2	Item3
      user1	1	0	1
      user2	0	1	0
      user3	1	1	0

      user1:[0.325,0.456,…,0.234]

      Item1:[0.215，0.569,…..,0.368]

      user1*Item1.T~=矩阵的话效果就越好

  • LFM算法的应用场景

    • 计算用户的toplike
    • 计算item的topsim
    • 计算item的topic

• LFM理论知识与公式推导

• LFM与CF的优缺点比较

2.2 lfm算法的理论基础与公式推导

• LFM建模公式

  $$p(u,i)=p_u^Tq_i=\displaystyle\sum^F_{f=1}p_{uf}q_{if}$$

• LFM loss function

  loss = $$ \displaystyle\sum_{(u,i)\in D}{({p(u,i)-p^{LFM}{(u,i)})^2}}$$

• LFM算法迭代f

2.3 基础工具函数的代码书写

util/read.py

读取文件

def get_item_info(input_file):
    """
    get item info:[]
    """