machine-learning - 协同过滤 - 矩阵分解与 PIL 逊相关

Question

对于推荐引擎，这些技术(矩阵分解:ALS、 PIL 逊或余弦相关)的优点和缺点是什么，以及我们如何决定使用哪种技术。

Answer 1

使用 PIL 逊相关性的协作过滤存在一些问题。我将列出一些重要的:

• 可扩展性
  当数据库增长时，计算用户之间的 PIL 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，因此这将呈指数级增长。

• 数据稀疏
  对于大多数推荐引擎来说，这是一个大问题。如果您有很多用户和很多只有很少评论的项目，那么生成推荐将变得很困难，因为您的数据太少，无法计算用户之间的相关性。

• 冷启动问题
  从技术上讲，每种方法都会遇到这个问题，但矩阵分解比协同过滤更好地处理这个问题。冷启动问题基本上意味着您没有或几乎没有有关用户的数据。当您使用协作过滤器时，您无法解决这个问题。期间。
  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作过滤，但您必须决定它是否最适合您的模型。
如果您没有稀疏数据库，协作过滤器可以很好地工作，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!