【论文阅读】推荐算法之基础 Amazon.com Recommendations Item-to-Item Collaborative Filtering
写在前面： 基于位置的业务场景和不考虑位置信息只考虑相关性或者说相似程度的业务场景，使用item2item的方式还不太一样。举个例子，餐饮中，用户吃饭，不会跑个三五十公里，就算三五十公里外的那个item与用户之前喜欢的item相似度很高，我觉得用户应该不会过去。因此基于位置的业务场景，很大一部分需要考虑距离因素，那么可行的一条路便是：在构建item2item的相似矩阵时，加入距离元素。具体如何加入
相关文章
- 1. 【论文阅读】推荐算法-Recommendations Item-to-Item Collaborative Filtering
- 2. reading notes -- Amazon.com Recommendations: Item-to-Item Collaborative Filtering
- 3. 论文阅读笔记：Social Collaborative Filtering for Cold-start Recommendations
- 4. 推荐系统论文阅读——Neural Collaborative Filtering
- 5. 推荐系统论文阅读 Why Does Collaborative Filtering Work?
- 6. 推荐算法最前沿|KDD2020推荐系统论文一览
- 7. 推荐算法
- 8. Collaborative Filtering
- 9. 基于物品的协同过滤推荐算法——读“Item-Based Collaborative Filtering Recommendation Algorithms”
- 10. 推荐系统论文阅读笔记
- 更多相关文章...
- • R 基础运算 - R 语言教程
- • RSS 阅读器 - RSS 教程
- • RxJava操作符（三）Filtering
- • 算法总结-广度优先算法
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 【论文阅读】推荐算法-Recommendations Item-to-Item Collaborative Filtering
- 2. reading notes -- Amazon.com Recommendations: Item-to-Item Collaborative Filtering
- 3. 论文阅读笔记：Social Collaborative Filtering for Cold-start Recommendations
- 4. 推荐系统论文阅读——Neural Collaborative Filtering
- 5. 推荐系统论文阅读 Why Does Collaborative Filtering Work?
- 6. 推荐算法最前沿|KDD2020推荐系统论文一览
- 7. 推荐算法
- 8. Collaborative Filtering
- 9. 基于物品的协同过滤推荐算法——读“Item-Based Collaborative Filtering Recommendation Algorithms”
- 10. 推荐系统论文阅读笔记