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，皮尔逊或cossin相关性）以及我们如何使用哪种技术。

Answer 1

使用皮尔逊相关的协同过滤存在一些问题。我将列出几个大的：

• 可伸缩性
  当您的数据库增长时，计算用户之间的皮尔森相关性将花费更长的时间。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。

• 数据稀疏性
  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带有一些评论的项目，那么生成建议将变得很困难，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，但矩阵因子分解比协同过滤更好。冷启动问题基本上意味着您没有或几乎没有关于用户的任何数据。使用协作过滤器时无法解决此问题。期。
  您可以使用其他技术来克服此问题，即基于内容的过滤。

确定您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，协作过滤器可以正常工作，但矩阵分解方法也是如此。

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效果最佳。

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

• 内容和协作过滤：http://recommender-systems.org/

如果不够清楚，请随意询问更多内容！