问题标签 [recommender-systems]

我读过一篇论文，提到用户的签到行为遵循幂律分布。我想知道如何计算用户的签到行为？

这是概率图，他们说：

为了获得此测量值，我们计算用户签入的所有 POI 对之间的距离，并在同一用户签入的 POI 距离上绘制直方图（实际上是概率密度函数）。如图 2 所示，同一用户签到的大部分 POI 对似乎都在短距离内，这表明用户签到活动中存在地理聚集现象。 7

在计算项目之间的相似度时，表示经度和纬度的最佳方法是什么？

基本上，我正在尝试在多个项目之间进行余弦相似度。除了典型的特征和元数据，我想以某种方式包括经度和纬度。这样，在推荐项目时，应考虑位置。

请有任何想法。

我正在尝试测试 Turi Create Project。

我的 jupyter notebook 浏览器屏幕和 Python 代码如下。

为什么在 Turi Create 中没有完成“Recommender 的evaluate() 方法”？

据我所知，“In[*]”表示该行正在 jupyter notebook 中运行。

第6行的结果如下。

感谢您的阅读。

最初，我尝试将我的数据集读入字典

字典包含类似这样的数据：

我正在使用该功能根据用户口味推荐歌曲

在提供输入时，我收到一个错误

错误：推荐（数据[0][user_id],4,euclidean_similarity）

目前推荐系统的实现使用 TF 1.8 和WALS算法。该模型使用 self.fit(input_fn=input_fn) 和运行时版本 1.8 的 ML Engine 进行训练。数据集是使用 tensorflow.train.Example(...) 从下面显示的训练日志中提取的示例形成的。

使用一些默认参数执行拟合。损失值在第二次评估时确实下降了。然而，此后的损失并没有改变。本次训练最终的 Root 加权平方误差 (rwse) 变为 0.126。

稍后进行超参数调整，并在后续训练中使用最佳参数集。该训练的结果如下所示。

树的事情要注意这里。首先，开始的损失值低于后面的评估步骤。一开始的低值很可能是由于从超参数调整的结果中选择了参数。后来损失值的增加看起来很奇怪。第二，第二次评估后损失值不变。当 self.fit(input_fn=input_fn) 用于模型训练时，此模式保持不变。第三，在使用相同参数集 rwse=0.015 进行超参数调优期间，本次训练的最终 rwse 变为 0.487。

问题是是否有人观察到类似的事情？是否可以使用 WALSMatrixFactorization 类和 self.fit(input_fn=input_fn, steps=train_steps) 来提高算法的性能？在此先感谢您的帮助。

我在 cygwin 上构建了 libFM .exe，但 save_model/load_model 似乎不起作用：

文件 mod 就位并包含一些数字（大部分是零）。现在我尝试再次启动它，希望它会恢复，但它从头开始：

我从 github 尝试了两个存储库，它们都没有按我的预期工作。我错过了什么？

我想了解协同过滤的项目-项目和用户-用户矩阵，以及它与基于内容的过滤有何不同。

项目用户：

从 Movies-User 矩阵开始，如何使用 Visual Basic for Applications 在 Microsoft Excel 中创建简单的 item-item 和 user-user 矩阵？

项目-项目：

用户-用户：

目前我正在使用 Microsoft Excel 函数 CORREL 计算 User1 和 UserN 之间的相关系数。我有以下 Visual Basic for Applications 代码来计算余弦相似度。在这里很好地解释了http://blog.christianperone.com/2013/09/machine-learning-cosine-similarity-for-vector-space-models-part-iii/

用法：

在这个线程中，给出了一个项目-项目矩阵的简单示例。 协同过滤：非个性化项目间相似性

我一直在寻找一种解决方案来创建基于向量相似性的推荐系统。基本上，我每个用户有几个向量，例如：

对于每个向量，我需要计算一个系数，并根据该系数将一个向量与另一个向量区分开来。我找到了可以根据 2 个向量的相似性计算系数的公式，我真的不想要那个。我需要一个公式来计算每个向量的系数，然后我用这些系数进行一些其他计算。有什么好的吗这个公式？谢谢

我正在尝试根据用户的评分为用户实施推荐系统。我认为是最常见的一种。我读了很多书，并入围了 Surprise，这是一个基于 python-scikit 的推荐系统。

虽然能够导入数据并运行预测，但它并不完全符合我的要求。

现在我所拥有的：我可以传递 user_id、item_id 和评级，并获得该用户给出我通过的评级的概率。

我真正想做的事情：传递一个 user_id，然后根据数据获取该用户可能会高度喜欢/评价的项目列表。

数据文件中的示例行。

第一列是 user_id，第二列是项目 id，第三列是评分，然后是时间戳。

我想使用 Mahout 作为推荐系统。

在我的项目中，有内容、标签、反应。用户在标记后分享内容，其他用户可以阅读内容并做出反应。

我想在任何用户阅读内容时推荐内容。

在这种情况下，如果我只使用读者信息，我将没有偏好​​值，这就是为什么我想使用具有默认 mahout 项目相似性的内容反应和内容标签。

我不能确定在推荐系统中使用反应和标签信息是正确的方法。是不是推荐人的问题。

如果这是我上面解释的正确方法，我正在考虑使用复合对象作为 ItemSimilarity，它包装了 Mahout 相似性实现（例如 TanimotoCoefficientSimilarity），然后将相似性计算结果与标签和反应相似性结果相加。

模型 ：

（任何内容都会有大约 5 个反应选项和大约 5 个标签。）

物品相似度等级：