推奨システム


リンクテキスト

n/a.ターゲット


  • 推奨システムの概念と目的を理解する.

  • Implicitライブラリを使用して、行列分解に基づく推奨モデルを作成します.

  • 音楽鑑賞記録を利用して、似たような芸術家を探して、芸術家を推薦します.

  • 推奨システムでよく使われるデータ構造CSRマトリックスを熟知している

  • ユーザー行動データにおけるExplicitデータとImplicitデータの違いを熟知している.

  • 新しいデータセットで推奨モデルを直接作成します.
  • 目次


  • データのナビゲートと前処理

  • ユーザーの明示的および暗黙的な評価

  • Matrix Factorization(MF)

  • CSR(Compressed Sparse Row) Matrix

  • 学習MFモデル

  • 似たようなアーティストを探す+ユーザーにおすすめ

  • プロジェクト-MovieLens映画推薦練習
  • 推奨システム


  • 定義:他の好きなユーザーと似たような選択をお勧めします.

  • 原理:コラボレーションフィルタリングとコンテンツベースフィルタリング
  • *コラボレーションフィルタ

  • 定義:プロジェクト-ユーザー(リレーションシップ)にフォーカスします.

  • 特徴:正確な推薦を提供することができる.(in複数の好みやアイテム)

  • こうそくじょうけん
  • 情報量不足のため、ユーザ又は項目(コールドスタート)
  • を推定することができない.
  • 計算量が多く、推奨効率が低い
  • 注目度が低い場合は
  • は推奨されない.
    *コンテンツベースのフィルタ
    定義
  • :品目属性
  • のみに注目

    ユーザーの黙示/明示評価

  • ユーザの明示的な評価
  • 定義
  • :好感度
  • を好むか好まないかのように表現する
  • 黙示評価

  • 定義:サービスの使用時に自然に現れる

    Matrix Factorization(MF)



    :(m,n)サイズの評価マトリクスで、マトリクスには充填された部分もあれば、空の部分もあります.
    :推奨システムのコラボレーションフィルタリングに使用します.
    :分解行列.
    R(m,n) -> P(m,k) -> Q(k,n)
    -->RはPとQの行列積(内積)である.
    -->Pはユーザの属性ベクトルを表す
    -->Qは別の属性ベクトル

  • 目的
    :k-dimensionのベクトルを作成します.

    CSR(Compressed Sparse Row) Matrix



  • 定義:ゼロ以外の有効なデータを使用して、メモリsの容量を最小限に抑えながら、データの値と座標情報を入力します.
    data = np.array([1,3,5,6,2,11,7,9,10,12])
  • indices = np.array([1,2,3,0,1,3,1,2,2,3])
    indptr = np.array([0,3,6,8,10])
    matrix([[0, 1, 3, 5], [6, 2, 0, 11], [0, 7, 9, 0], [0, 0, 10, 12]])