如何使用svd根据物品推荐物品

Question

我已经训练了一个 SVD 模型来根据 userId 推荐项目。但是，有没有办法根据物品列表而不是userId来推荐物品？

例如，给定一个项目列表，[1,2,3,4,5]、SVD 模型会找到最相似的项目 [9,10]。我的解决方案是从输入[9,10]中为每个项目找到相似的项目，并得到共同的项目作为输出。

也就是说，

• 与第1项相似的项目是[9,10,12]和
• 与第2项相似的项是[9,10,13]。

所以常见的项目是[9,10]，但是不知道有没有更好的办法。

Answer 1

你描述的不是很清楚。我猜你的意思是你想要基于项目的推荐，比如Amazon 在做什么？ .

两者的相似度 可以通过多种方式确定项目，但常见的方法是 使用我们之前描述的余弦测量，其中 每个向量对应一个项目而不是一个 客户，向量的M 维度对应 给已购买该商品的客户。

该算法需要密集的离线处理来准备最近的项目。完成后，对相似项目查询的响应非常快。

编辑

一旦您知道每个项目的最相似的 k 项目，您就有每个项目对的分数，即两个项目的相似程度，或 score(i,j)

给定一个项目列表：[1,2,3]

首先，您会为列表中的每个项目找到顶部的 k 项目。你也有他们每个人的分数。假设k=3：

`[100,44,99]` are the top 3 items that are similar to item 1. 
score(1, 100) = 0.84, score(1, 44) = 0.4, score(1, 99) = 0.33
score(2, 44 ) = 0.3,  score(2, 33) = 0.2, score(2, 70) = 0.15
score(3, 99)  = 0.4,  score(3, 44) = 0.15, score(3, 70) = 0.01

然后你将score([1-3],__) 中存在的所有项目的得分合计，即：

score(100) = 0.84
score(44) = 0.4 + 0.3 + 0.13 = 0.83
score(99) = 0.33 + 0.2 = 0.53
score(33) = 0.2
score(70) = 0.15+0.01=0.16

排序后，你知道从上到下的项目应该是：

100-> 0.84
44 -> 0.83
99 -> 0.53
33 -> 0.2
70 -> 0.16

当然，在推荐项目的最终列表中，您可能想要删除给定列表中已经存在的任何内容（用户已经拥有的项目）。

请注意，在上面的示例中，尽管项目 44 出现在 3 行中，但它们的所有相似度得分都很低。我们仍然选择项目 100 作为最佳匹配。直觉是我们累积相似性贡献并比较它们的聚合贡献。