machine-learning - 协同过滤 - 矩阵分解与皮尔逊相关

Question

对于推荐引擎，这些技术的优点和缺点是什么（矩阵分解：ALS、pearson 或 cossin 相关性）以及我们如何决定使用哪种技术。

Answer 1

使用皮尔逊相关性的协同过滤存在一些问题。我将列出一些大的：

• 可扩展性
  当您的数据库增长时，计算用户之间的皮尔逊相关性将花费越来越长的时间。由于您必须计算每个用户之间的相关性，这将呈指数增长。

• 数据稀疏性
  这对于大多数推荐引擎来说是一个大问题。如果您有很多用户和很多带有少量评论的商品，那么生成推荐将变得困难，因为您的数据太少而无法计算用户之间的相关性。

• 冷启动问题
  从技术上讲，每种方法都存在这个问题，但矩阵分解比协同过滤器处理得更好。冷启动问题基本上意味着您没有或几乎没有任何关于用户的数据。当您使用协作过滤器时，您无法解决此问题。时期。
  您可以使用替代技术来解决这个问题，即基于内容的过滤。

确定应该使用哪种方法可能很困难。矩阵分解优于传统的基于用户和基于项目的协同过滤，但您必须确定它是否最适合您的模型。
如果您没有稀疏数据库，则协作过滤器会很好用，但矩阵分解方法也可以。

以下是一些有趣的网站，其中包含有关这些方法的数据。最后，由您或您的团队决定哪种方法最有效。

• 矩阵分解示例：http ://www.quuxlabs.com/blog/2010/09/matrix-factorization-a-simple-tutorial-and-implementation-in-python/

• 内容和协同过滤：http ://recommender-systems.org/

如果这还不够清楚，请随时询问更多！