如何使用奇异值分解（SVD）基于物品推荐物品

Question

我已经训练了一个SVD模型，用于基于userId推荐物品。但是是否有一种方法可以根据物品列表而不是userId推荐物品呢？

例如，给定一个物品列表[1,2,3,4,5]，SVD模型会找到最相似的物品[9,10]。我的解决方案是从输入的[9,10]中为每个物品找到相似的物品，并将它们作为输出的共同物品。

即：

- 与物品1相似的物品是[9,10,12] - 与物品2相似的物品是[9,10,13]

因此，共同的物品是[9,10]，但我不知道是否有更好的方法。

- remykits

Answer 1

您描述的不是很清楚。我猜您是想要基于物品的推荐，就像亚马逊所做的那样?

两个物品之间的相似度可以用各种方法确定，但常见的方法是使用我们先前描述的余弦测量，其中每个向量对应于一个物品而不是客户，向量的M维对应于购买该物品的客户。

这个算法需要进行大量的离线处理来准备最相似的物品。一旦完成，响应类似物品查询的速度非常快。

编辑

一旦您知道每个物品的前k个相似物品，您就有了每个物品对的得分，即两个物品的相似程度或score(i,j)

给定一个物品列表：[1,2,3]

首先，您找到列表中每个物品的前k个物品。您也有每个物品的得分。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

然后你对score([1-3],__)中所有项目的得分进行汇总，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，您应该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，在推荐列表的最终项目中，您可能希望删除已经在给定列表中的任何内容（即用户已经拥有的项目）。

请注意，在上面的例子中，尽管44号项目出现在3行中，但它们的相似度分数都很低。我们仍然选择100号项目作为最佳匹配项。直觉是我们累积相似性贡献并比较它们的聚合贡献。

- greeness

---

我现在可以获取相似的项目，例如，使用svd.similar(itemid)来获取相似的项目[9,10,11]，但是我的问题是从项目列表中获取最相似的项目。 - remykits