首页 > 试题广场 >

协同过滤经常被用于推荐系统, 包含基于内存的协同过滤, 基于

[不定项选择题]
协同过滤经常被用于推荐系统, 包含基于内存的协同过滤, 基于模型的协同过滤以及混合模型, 以下说法正确的是
  • 基于模型的协同过滤能比较好的处理数据稀疏的问题
  • 基于模型的协同过滤不需要item的内容信息
  • 基于内存的协同过滤可以较好解决冷启动问题
  • 基于内存的协同过滤实现比较简单, 新数据可以较方便的加入

论文《Empirical Analysis of Predictive Algorithm for Collaborative Filtering》中对协同过滤提出了分类,分为基于内存的协同过滤和基于模型的协同过滤,而基于用户的协同过滤和基于项目的协同过滤都是属于基于内存的协同过滤。

基于内存的协同过滤有以下不足:

1) 数据稀疏问题

2) 冷启动问题:冷启动问题包含新用户问题(new user problem)和新项目问题(new itemproblem)两种情况。新用户问题是指当一个新用户加入到推荐系统时,由于没有该用户的历史评分数据,因此无法根据评分信息对新用户进行推荐服务。新项目问题是指当一个全新的商品加入到推荐系统中后,由于没有用户对其进行过评价,则在系统运行的初期,它将很难获得推荐。新项目问题可以通过结合基于内容的推荐(项目的属性信息)等方法,来缓解冷启动问题。

3) 可扩展性问题

4) 鲁棒性问题:推荐系统能否识别此种情况,去除恶意用户及异常数据,提高推荐系统的可靠性,这也是目前推荐系统鲁棒性方面所需要重点关注的问题。

5) 隐性喜好发现

基于模型的协同过滤

我们的问题是这样的m个物品,m个用户的数据,只有部分用户和部分数据之间是有评分数据的,其它部分评分是空白,此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系,找到最高评分的物品推荐给用户。所以其能较好的解决数据稀疏问题,但其还是需要item的内容信息的。
(ps:从网上查的相关资料,若有错误欢迎指正。)
发表于 2018-09-09 22:52:17 回复(0)