本页面包含推荐系统术语表。对于所有术语库术语 点击此处。
C
候选集生成
由 AI 生成的一组初始推荐 推荐系统。例如，假设 销售 10 万册图书的书店。候选集生成阶段 列出很小的适合特定用户的图书，比如 500 本。但 推荐给用户的 500 本图书实在太多了。随后价格更高 推荐系统的各个阶段（例如评分和 重新排名）将这 500 名减少到更小， 更实用的建议。
协同过滤
根据某位用户的兴趣进行预测 而根据许多其他用户的兴趣来展示广告协同过滤 通常用在推荐系统中。
I
项矩阵
在推荐系统中， 由嵌入向量、 矩阵分解 包含有关每个推荐项的潜在信号。 项矩阵的每一行存储单个潜在值 功能。 以电影推荐系统为例。每列 都表示一部电影。潜在信号 可能代表不同的流派，或者可能难以解读 涉及类型、明星和角色之间复杂互动的信号， 电影上映时间或其他因素
项矩阵与目标矩阵具有相同的列数 要分解的矩阵。例如，假设某部电影 该推荐系统可评估 10,000 部电影、 项矩阵将有 10000 列。
items
在推荐系统中， 是系统推荐的例如，视频是指视频商店 而书籍是书店推荐的商品。
M
矩阵分解
在数学中，一种机制用于寻找其点积近似于 目标矩阵。
在推荐系统中，目标矩阵 通常包含items上的评分。例如，目标 电影推荐系统的输入矩阵可能类似于 其中正整数代表用户评分，0 表示用户未给电影评分：
| 卡萨布兰卡 | 《费城故事》 | Black Panther | 神奇女侠 | 《低俗小说》 | |
|---|---|---|---|---|---|
| 用户 1 | 5.0 | 3.0 | 0.0 | 2.0 | 0.0 |
| 用户 2 | 4.0 | 0.0 | 0.0 | 1.0 | 5.0 |
| 用户 3 | 3.0 | 1.0 | 4.0 | 5.0 | 0.0 |
影片推荐系统旨在预测出 未分级电影。例如，用户 1 会喜欢《黑豹》吗？
推荐系统的一种方法是使用矩阵 因式分解生成以下两个矩阵：
例如，对我们的三个用户和五个推荐项使用矩阵因式分解 可以生成以下用户矩阵和项矩阵：
User Matrix Item Matrix 1.1 2.3 0.9 0.2 1.4 2.0 1.2 0.6 2.0 1.7 1.2 1.2 -0.1 2.1 2.5 0.5
通过用户矩阵和项矩阵的点积得出推荐值 该矩阵不仅包含原始用户评分，还包含预测 为每个用户未看过的电影 例如，假设用户 1 对“卡萨布兰卡”的评分为 5.0，圆点 与推荐矩阵中该单元对应的产品应该 最好在 5.0 左右，并且：
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
更重要的是，用户 1 会喜欢《黑豹》吗？计算点积 与第三行和第三列相对应， 将得到一个预测值， 4.3 分：
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
矩阵分解通常会生成用户矩阵和项矩阵， 它们的集合明显比目标矩阵更为紧凑。
R
推荐系统
一种系统，为每个用户选择相对较小的所需集合 items。 例如，视频推荐系统可能会向你推荐 从包含 10 万个视频的语料库中选择“Casablanca”，然后 第一位用户是《费城故事》，《神奇女侠》和 《黑豹》。视频推荐系统可能会 的推荐基于以下因素：
- 同类用户已评分或观看过的电影。
- 类型、导演、演员、目标人群...
重排序
推荐系统的最后阶段， 在此期间，系统可能会根据其他一些信息， （通常是非机器学习）算法。重新排名会评估项列表 在打分阶段生成的内容，例如：
- 删除用户已购买的商品。
- 提高较新项的得分。
S
评分
U
用户矩阵
在推荐系统中， 嵌入矢量，由 矩阵分解 存储着关于用户偏好的潜在信号。 用户矩阵的每一行都包含有关 不同潜在信号的强度。 以电影推荐系统为例。在此系统中， 用户矩阵中的潜在信号可能代表每个用户的兴趣， 或者是难以解读的信号， 涉及多个因素的复杂相互作用。
用户矩阵有一列对应每个潜在特征，一行对应每个用户。 也就是说，用户矩阵与目标矩阵具有相同的行数 要分解的矩阵。例如，假设某部电影 推荐系统， 将有 1,000,000 行。
W
加权交替最小二乘 (WALS)
优化目标函数的 矩阵分解 推荐系统： 减少样本的权重。WALS 将加权 原始矩阵与重构后的模型之间的平方误差， 在修复行分解和列分解之间交替进行。 所有这些优化都可以通过最小二乘 凸优化。有关详情，请参阅 推荐系统课程。