【机器学习PAI实战】—— 玩转人工智能之美食推荐

  • 时间:
  • 浏览:1

在推荐系统中,大伙须要计算一两被委托人或商品的这类度,大伙还须要采用余弦这类度,皮尔逊相关系数等。

算法演示

肯能是本地编辑的文件,还须要通过文件上传法子 上传到服务器。



通常在计算这类度之后,大伙须要选着是计算基于商品的这类度(里面的法子 ),还是计算基于用户的这类度。在现实状况下,大伙要根据用户和商品的数据决定选着哪种计算法子 。同时,在数据量变大时,大伙通常须要先降维,在做商品推荐。要素代码参考《机器学习实战》,本篇文章主要介绍如何使用PAI-DSW实现算法实验。

给定有一个用户i,大伙根据里面的数据为其推荐N个推荐分最高的美食。

对于社会形态向量非常稀疏,肯能社会形态之间关联关系明显,协方差较大则须要对原有维度的社会形态进行降维。从前既还须要节省资源加快运算,也还须要补救冗余社会形态带来的干扰。

在文件recom.py,加入recommend函数

推荐分计算

在文件recom.py,实现推荐分计算

在生活中,大伙突然给大伙推荐很多被委托人喜欢的东西,也时常接受别人的推荐。为什么么能保证推荐的电影肯能美食本来 大伙喜欢的呢?一般来说,大伙一两被委托人突然对同有一个电影肯能美食感兴趣,越来越你喜欢的东西就很大程度上大伙也会比较感兴趣。在大数据的背景下,算法会我能寻找兴趣这类的那先 人,并关注大伙喜欢的东西,以此来给大伙推荐肯能喜欢的事物。

横轴为美食品种,分为A--K 11中,竖轴为用户序号,有0-9 10被委托人。表内值为某个用户对两种 美食的推荐分,0表示其未曾吃过,5分为最高的推荐分。以上数据为实验虚构数据。

现在基础环境以及搞懂了,大伙还须要用terminal安装被委托人须要的包环境。同时还须要选着python2肯能python3的开发环境。如何让 左侧的文件系统,支持本地文件的上传下载等。

人人用得起的机器学习平台↓

皮尔逊相关系数( Pearson correlation coefficient),是用于度量有一个变量X和Y之间的相关(线性相关),其值介于-1与1之间。

以上数据,不地处缺失和无意义推荐分,即不超出范围,格式正确。

更有kindle、技术图书抽奖活动,百分百中奖

协同过滤简单来说是利用某兴趣相投、拥有同时经验之群体的喜好来推荐用户感兴趣的信息,被委托人通过合作协议协议 的机制给予信息相当程度的宣布(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息,宣布不一定局限于一阵一阵感兴趣的,一阵一阵不感兴趣信息的纪录也相当重要。

某外卖店铺分类分类整理了很多用户对本店铺美食的评价和推荐分,并计划为很多新老客户推荐大伙未曾尝试的美食。

通过计算待推荐商品与已推荐商品的这类度,并乘以该用户对已推荐商品的推荐分,来计算待推荐商品的推荐分。

新建文件recom.py,实现这类度计算函数

数据分析

海量资源点击领取

大伙也将采用协同过滤来实现商品推荐,并在下面的章节一步步实现基于协同过滤的商品推荐系统。

余弦这类性通过测量有一个向量的夹角的余弦值来度量它们之间的这类性。0度角的余弦值是1,表示详细一样,而很多任何淬硬层 的余弦值都不 大于1;如何让 其最小值是-1,这类度为0。