推荐系统 RES-召回策略:基于用户的协同过滤推荐

时间：2024-09-07 16:00:55

推荐系统 RES 算法介绍及参数说明

基于用户的协同过滤推荐

基于用户的协同过滤推荐采用经典算法基于用户的协同过滤(UserCF)进行召回。基于用户的协同过滤算法是通过用户的历史行为数据发现用户对物品的喜欢（如购买，收藏，内容评论或分享），并对这些喜好进行度量和打分。根据不同用户对相同物品的态度和偏好程度计算用户之间的关系。在有相同喜好的用户间进行物品推荐。

例如，A、B两个用户都购买了abc三本图书，并且给出了5星的好评。则A和B属于同一类用户。可以将A看过的图书d也推荐给用户B。

表3 基于用户的协同过滤推荐参数说明
参数名称	说明
名称	策略名称，由中文、英文、数字、下划线、空格或者中划线组成，并且不能以空格开始和结束，长度为1~64个字符。
描述	策略的具体描述。
最近邻域数	在UserCF算法中使用，生成的相似度矩阵中为每个用户保留的若干个最相似用户。默认为100。
最小交叉度	物品和物品之间被同一用户行为记录的数量，计算相似度时，过滤掉共同记录小于最小交叉度的item。默认值：1。
物品活跃度	物品过滤用户的活跃度阈值。取值范围：1-10000。默认值：1。
效用阈值	用户对物品综合打分的阈值。取值范围：0.000001-10。
最大推荐结果数	最多生成多少个推荐结果。默认值：100。
开启时间跨度	不开启取全部数据，开启则指定从数据源中取最近天数的行为数据计算相似度。
时间跨度	用于指定从数据源中取最近多少天的行为数据计算相似度。默认取全部数据。
上传物品相似度	支持客户通过obs导入自定义的相似度信息。相似度文件格式为json，其中subject为用户或物品， relations为与subject相似的用户或物品及其相似度。例如， { "subject": "item108", "relations": [ { "id": "item115", "score": 0.699357793663589 }, { "id": "item60", "score": 0.659905609639582 }, { "id": "item61", "score": 0.640305447750641 }, { "id": "item18", "score": 0.614275316537666 } ] }
开启调度	开启调度，按照指定的调度策略定期执行作业。 “调度周期”：调度周期可选“天”或“周”。 “调度类型”：包括自定义和间隔调度。 “开始调度时间”：选择具体的调度时间。当调度周期选择为“周”时，可在此下拉框中勾选星期一到星期天的任一天进行调度。 “时间间隔”：如果选择的调度类型为间隔调度，需要配置调度的时间间隔。