本文主要是介绍个性化召回als算法原理，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

• 最小二乘法

• 利用矩阵分解的结果无限逼近现有数据，得到隐含的特征

• 利用隐含的特征预测其余结果

• 表一：

假设有4个用户，对应3个产品，加入user2被采集到对product2产生了一次兴趣，则记录为1.0（只记录对product浏览一次，只记uv，不计pv，多次浏览product2也只记录1.0）

假设user1 对product1产生了一次浏览，并且不止于此，而且产生了加入购物车，购买等行为，则记录为3.0

我们推荐系统做的就是预测user，挖掘潜在的需求，而不是推荐已经打分的product,也就是被打0分的矩阵中的product

这个就是我们als算所要做的事情

表二：

表三：

f1,f2表示特征，中间的数字则表示该用户或者该产品的特征打分，先不用管怎么算出来，这里先理解原理

对这两个表做一个矩阵的相乘，公式：v'=UP^t

就是表三和表二相乘相加，就会得出表一，这个就是als算法的原理，因为无限逼近，表一空的数值，就会被算出来

即：

• 将user矩阵和product矩阵的转置相乘
• 获取无限逼近于真实的数据的分数
• 同时预测其余节点的分数，排序后输出

这篇关于个性化召回als算法原理的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！