每日学习记录 2019-10-21

2019-10-21 本文已影响0人 hwang_zhic

2019-10-21

提出问题

探究 SRui 论文中的相似与非相似用户，相似项目与非相似项目，这 4 个关键内容是如何求出的。

解决问题

用户之间的相似度

用户之间的相似度是使用皮尔逊相关系数(PCC)来求得，具体定义如下：

$s_{i f}=\frac{\sum_{k \in I(i) \cap I(f)}\left(r_{i k}-\bar{r}_{i}\right) \cdot\left(r_{f k}-\bar{r}_{f}\right)}{\sqrt{\sum_{k \in I(i) \cap I(f)}\left(r_{i k}-\bar{r}_{i}\right)^{2}} \cdot \sqrt{\sum_{k \in I(i) \cap I(f)}\left(r_{f k}-\bar{r}_{f}\right)^{2}}}$

其中 $I(i)$ 用户 $i$ 对一组物品的评分， $\bar{r}_{i}$ 代表用户 $i$ 的平均评分。从这个定义中，用户相似度 $sis$ 的值范围为 [ -1 - 1] 。如果这个值越大，则表示用户 $i$ 与用户 $f$ 相似。我们使用 $f(x) = (x + 1) / 2$ 来将用户的 PCC 的相似性范困限制到 [0:1]。

项目之间的相似度

项目之间的相似度的计算方法如下，也是皮尔逊相关系数(PCC)：

$s_{j q}=\frac{\sum_{k \in U(j) \cap U(q)}\left(r_{k j}-\bar{r}_{j}\right) \cdot\left(r_{k q}-\bar{r}_{q}\right)}{\sqrt{\sum_{k \in U(j) \cap U(q)}\left(r_{k j}-\bar{r}_{j}\right)^{2}} \cdot \sqrt{\sum_{k \in U(j) \cap U(q)}\left(r_{k q}-\bar{r}_{q}\right)^{2}}}$

其中 $U（j）$ 表示对项目 $j$ 评分的一组用户， $\bar{r}_{j}$ 代表项目 $j$ 的平均分。

之后需要解决的问题

再看看损失函数是如何设计的
可以先看一些基础的
- 参考论文：
- 深度学习方面：DMF , NeuCF
- 矩阵分解方面：funkSVD，biassSVD
再看看准度是如何计算的，以及所代表的的意义
- MSE
- RMSE
- NDCG
- P@K
- AUC
继续阅读各类论文，做好归纳总结
具体论文的方向如下
- 主流推荐算法
- 社会化推荐
- 深度学习推荐算法