推荐系统的常见推荐算法的性能比较
- - ITeye博客数据集是movielens-1M（ 下载）版本. 使用SlopeOne算法，每次随机选取6%的用户预测其喜好，进行5次实验，取MAE的均值，得到下表：. 绘制成折线图，如下图所示：. 由此可知，训练集越大，则推荐的准确率越高. 使用ItemCF算法，训练集大小为数据集的90%，每次随机选取30%的用户预测其喜好，进行5次实验，取MAE的均值，得到下表：.
推荐系统的常见推荐算法的性能比较
标签：
推荐系统
常见
推荐算法
| 发表时间：2012-01-04 02:03 | 作者：
出处：http://www.iteye.com
数据集是movielens-1M（ 下载）版本。
1. 训练集大小对于推荐性能的影响
使用SlopeOne算法，每次随机选取6%的用户预测其喜好，进行5次实验，取MAE的均值，得到下表：
|
训练集大小（% ） |
MAE |
|
90 |
0.71718149 |
|
70 |
0.73005925 |
|
50 |
0.77483222 |
|
30 |
0.83092947 |
|
10 |
0.98020104 |
绘制成折线图，如下图所示：
由此可知，训练集越大，则推荐的准确率越高。
2. 不同相似度度量对性能的影响
使用ItemCF算法，训练集大小为数据集的90%，每次随机选取30%的用户预测其喜好，进行5次实验，取MAE的均值，得到下表：
|
相似度度量方法 |
MAE |
|
皮尔逊相关系数 |
0.86158483 |
|
曼哈顿距离 |
0.82744657 |
|
欧几里德距离 |
0.80844643 |
|
对数似然值相似度 |
0.80750607 |
|
Jaccard相似度 |
0.78540776 |
|
余弦相似度 |
0.81422523 |
绘制成直方图，如下图：
由此可知，Jaccard相似度的性能略好于其他几种相似度，但是优势很小。使用不同相似度度量方法差别不大。
3. 不同推荐算法的性能
使用皮尔逊相关系数作为相似度，训练集大小为数据集的90%，每次随机选取6%的用户预测其喜好，进行5次实验，取MAE的均值。其中KNN算法取近邻大小为5；EM算法的学习速度为0.005，过度拟合值为0.02，随机噪声值为0.005，EM的迭代次数为20。得到下表：
|
推荐算法 |
MAE |
|
ItemCF |
0.86158483 |
|
UserCF |
1.03740876 |
|
Slope One |
0.71718149 |
|
KNN(k = 5) |
0.83184328 |
|
SVD (Compute SVD using EM Algorithm: learning rate = 0.005, overfitting prevention = 0.02, random noise = 0.005, epoch = 20) |
0.70493273 |
绘制成直方图，如下图：
由此可知，SVD和Slope One算法的推荐结果最为精确，UserCF最差。这个数据和推荐系统相关著作中的结论是吻合的。
此外，在内存方面，Slope One最占内存，1G内存下最多只能处理6%左右的用户。而其他算法均能轻松地处理30%以上的用户量。
在速度方面，SVD速度最快，处理每个用户的平均时间约为4ms，Slope One的平均时间约为30ms，ItemCF和UserCF的平均处理时间都在10ms左右。KNN的速度是最慢的，平均处理时间约为100ms。
已有 0 人发表留言，猛击->> 这里<<-参与讨论
ITeye推荐
相关 [推荐系统 常见 推荐算法] 推荐：
社会化推荐算法
- - CSDN博客云计算推荐文章本文是论文《一种结合推荐对象间关联关系的社会化推荐算法》（以下简称论文）的笔记（下）. 该论文提出的算法是以PMF为框架基础的. 因而若对PMF不太了解的话，可以参考我的 上一篇文章脑补一下，当然，那篇文章只是概述，详细了解PMF还需要阅读初始论文，但读完那篇文章后，对本文的理解应该没有问题. 所谓社会化推荐算法，是将社交网络的特性加入到推荐系统中来.
常用推荐算法
- - 互联网 - ITeye博客 在推荐系统简介中，我们给出了推荐系统的一般框架. 很明显，推荐方法是整个推荐系统中最核心、最关键的部分，很大程度上决定了推荐系统性能的优劣. 目前，主要的推荐方法包括：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐. 基 于内容的推荐（Content-based Recommendation）是信息过滤技术的延续与发展，它是建立在项目的内容信息上作出推荐的，而不需要依据用户对项目的评价意见，更多地需要用机 器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料.
Min-Hash和推荐系统
- - xlvector - Recommender System前几年看Google News Recommendation的那篇Paper，对里面提到的MinHash的算法基本没有注意，因为之前的习惯都是只注意论文的模型那块，至于怎么优化模型一般都只是扫一眼. 不过最近看了大量的Google Paper，发现Google在实现一个算法方面确实有很多独到之处. 其实，Min-Hash是LSH（Locality Sensitive Hash）的一种，我之前对LSH的了解仅仅限于知道它能把两个相似的东西Hash成两个汉明距离接近的2进制数.
推荐系统实战
- - 博客园_首页推荐算法：基于特征的推荐算法. 推荐算法准确度度量公式：. 其中，R(u)表示对用户推荐的N个物品，T(u)表示用户u在测试集上喜欢的物品集合. 集合相似度度量公式(N维向量的距离度量公式)：. 其中，N(u)表示用户u有过正反馈的物品集合. 其中，S(u,k)表示和用户u兴趣最接近的K个用户集合；N(i)表示对物品i有过正反馈的用户集合；w(u,v)表示用户u和用户v的兴趣相似度；r(v,i)表示用户v对物品i的兴趣.
推荐系统杂谈
- - 后端技术杂谈 | 飒然Hang推荐系统是近些年非常火的技术，不管是电商类软件还是新闻类app，都号称有精准的推荐系统能给你推送你最感兴趣的内容. 现象级的资讯类app“今日头条”就得益于此成为了势头非常猛的一款产品. 本文就针对推荐系统讲述一些相关概念和实践经验. 首先需要明确的就是推荐系统的目标，一般来说不外乎以下几个：. 用户满意性：首当其冲的，推荐系统主要就是为了满足用户的需求，因此准确率是评判一个推荐系统好坏的最关键指标.
[转]Mahout推荐算法基础
- - 小鸥的博客Mahout推荐算法分为以下几大类. 2.相近的用户定义与数量. 2.用户数较少时计算速度快. 1.基于item的相似度. 1.item较少时就算速度更快. 2.当item的外部概念易于理解和获得是非常有用. 1基于SlopeOne算法（打分差异规则）. 当item数目十分少了也很有效. 需要限制diffs的存储数目否则内存增长太快.
推荐算法Slope One初探
- - 标点符Slope One 算法是由 Daniel Lemire 教授在 2005 年提出的一个 Item-Based 推荐算法. Slope One 算法试图同时满足这样的的 5 个目标： . 易于实现和维护：普通工程师可以轻松解释所有的聚合数据，并且算法易于实现和测试. 运行时可更新的：新增一个评分项，应该对预测结果即时产生影响.
美团推荐算法实践
- - 美团技术团队推荐系统并不是新鲜的事物，在很久之前就存在，但是推荐系统真正进入人们的视野，并且作为一个重要的模块存在于各个互联网公司，还是近几年的事情. 随着互联网的深入发展，越来越多的信息在互联网上传播，产生了严重的信息过载. 如果不采用一定的手段，用户很难从如此多的信息流中找到对自己有价值的信息. 解决信息过载有几种手段：一种是搜索，当用户有了明确的信息需求意图后，将意图转换为几个简短的词或者短语的组合（即query），然后将这些词或短语组合提交到相应的搜索引擎，再由搜索引擎在海量的信息库中检索出与query相关的信息返回给用户；另外一种是推荐，很多时候用户的意图并不是很明确，或者很难用清晰的语义表达，有时甚至连用户自己都不清楚自己的需求，这种情况下搜索就显得捉襟见肘了.