已采納回答 / David
我是讓大家看懂這個數(shù)據(jù)結(jié)構(gòu)，我難道還得窮舉出來嗎？真實系統(tǒng)itemid 好幾百萬，我光列這個itemid 就用好幾頁？
最新回答 / David
當(dāng)user達(dá)到千萬級別， 不管item量級是不是千萬都選 itemcf。 因為item 可以做初步的剪枝，比如非同類別不計算等等控制計算量。
2019-01-11
根據(jù)老師的算法，用該數(shù)據(jù)集測試，十折交叉驗證，準(zhǔn)確率和召回率分別為0.030和0.057，可以用慘不忍睹來形容了，但是就算結(jié)果不好，老師也應(yīng)當(dāng)將一些評估的算法實現(xiàn)一下以供大家參考才對
2019-01-07
關(guān)于offline的評價方法，老師的原話是這樣的：“已知某種算法給用戶A推薦出了物品a、b以及d，又得到用戶A在測試集上有過物品a、b、f、還有m的展現(xiàn)，這個時候我們發(fā)現(xiàn)推薦出來的結(jié)果a、b和用戶真實的在測試集上的展現(xiàn)有重合，即a、b，這個重合就是評價的分母，用戶A在測試集上點擊過物品a和物品f，推薦的結(jié)果和用戶A在測試集上的點擊a、f有重合，這個重合a就是分母，所以整體點擊率的表現(xiàn)就是1/2，也即是50%.”，會發(fā)現(xiàn)很多地方都有點說不通
2019-01-06
已采納回答 / David
明白你的意思了，這個地方你說的重復(fù)是指的舉例，比如點擊了1,2,3 三個item，這三個item比如說都推出了4這個item，對4這個item的得分應(yīng)該累加更妥當(dāng)。
2018-12-19
最新回答 / KuKuXia
你好，我將自己敲的代碼分享到我的Github了，你可以看看，地址：https://github.com/KuKuXia/Recommendation_System/blob/master/05_iMooc_Recommendation_System_Basics.ipynb僅供大家交流學(xué)習(xí)
2018-12-14