当前位置：首页 > news >正文

余弦相似度、矩阵分解、深度学习物品的复杂、非线性特征

news 2025/11/6 16:22:15

场景：经典的口碑推荐

书店里有三位顾客：你、小明和小红。他们最近都对一些书打了分（1-5分，5分最喜欢）。

顾客	《三体》	《小王子》	《哈利波特》	《经济学原理》
你	5分	3分	？	1分
小明	4分	2分	5分	1分
小红	1分	5分	3分	5分

现在的问题是：我应该给你推荐《哈利波特》吗？

第一步：找到和你“口味相似”的人（计算用户相似度）

作为店员，你开始观察谁的读书口味和你最像。

你和小明：你们都超级喜欢《三体》，都给《经济学原理》打了低分。这说明你们可能都是科幻迷，对枯燥的理论书不感冒。口味非常相似！
你和小红：你喜欢《三体》，她不喜欢；她喜欢《经济学原理》，你讨厌。口味截然不同！

在算法里，这个“口味相似度”是可以量化的，最常用的就是 余弦相似度。简单理解就是：比较两个用户评分向量的方向是否一致。

你和小明的向量方向很接近，所以相似度高。
你和小红的向量方向几乎相反，所以相似度低。

第二步：利用相似用户的喜好进行预测（生成推荐）

现在要预测你对《哈利波特》的评分。你会更相信谁的意见？毫无疑问是小明，因为他和你口味相似。

小明（和你口味相似）给了《哈利波特》 5分。
小红（和你口味不同）给了《哈利波特》 3分。

算法会做一个加权平均，相似度越高，权重越大：

预测你的评分 = (和小明的相似度 * 小明的评分 + 和小红的相似度 * 小红的评分) / (总权重)

假设：

你和小明的相似度是 0.9
你和小红的相似度是 0.1

计算：
(0.9 * 5 + 0.1 * 3) / (0.9 + 0.1) = (4.5 + 0.3) / 1.0 = 4.8

预测你会给《哈利波特》打4.8分！ 这是一个很高的分数，所以系统会把《哈利波特》强烈推荐给你。

这个过程就是 基于用户的协同过滤，它的核心思想是 “物以类聚，人以群分”。

另一个角度：基于物品的协同过滤

现在，我们换一个思路。不找人，我们找相似的物品。

书籍	你	小明	小红
《三体》	5分	4分	1分
《流浪地球》	4分	5分	？

我们发现，几乎所有喜欢《三体》的人（你和小明），也都喜欢《流浪地球》。那么我们可以认为 《三体》和《流浪地球》非常相似（可能因为它们都是刘慈欣的科幻小说）。

现在，小红给《三体》打了1分（她不喜欢），但她还没读过《流浪地球》。我们应该向她推荐《流浪地球》吗？

大概率不会。 因为和她喜欢相似书籍的人，可能也不喜欢《流浪地球》。或者反过来说，一个不喜欢《三体》的人，很可能也不会喜欢相似的《流浪地球》。

它的核心思想是 “喜欢这个物品的人，也喜欢那个物品”。

当你喜欢A物品时，系统会推荐给你与A最相似的B、C、D物品。
亚马逊的 “购买此商品的顾客也购买了...” 就是这个原理最经典的例子。

总结与类比

	基于用户的协同过滤 (User-CF)	基于物品的协同过滤 (Item-CF)
核心思想	人以群分	物以类聚
推荐逻辑	找到和你相似的用户，把他们喜欢而你没看过的推荐给你。	找到你喜欢的物品的相似物品，推荐给你。
好比	你的好朋友给你安利东西。	一个资深专家（比如音乐发烧友）根据你喜欢的歌，推荐同类型的歌。
适用场景	用户数相对较少，个性化强，社交属性强（如朋友圈）。	物品数相对稳定，物品内在联系强（如电商、音乐）。
例子	小明喜欢《三体》和《哈利波特》，你也喜欢《三体》，所以把《哈利波特》推荐给你。	很多人同时购买了手机和手机壳，所以当你买手机时，推荐手机壳给你。

协同过滤面临的挑战

冷启动问题：
- 新用户：他还没任何行为，系统不知道他和谁相似，无法推荐。
- 新物品：它还没被任何人评分，系统不知道它和什么物品相似，永远不会被推荐。
- 解决方案：用热门推荐、注册信息（年龄、性别）、内容特征（物品标签）等来弥补。
稀疏性问题：
- 一个大型网站有上百万用户和物品，但一个用户可能只评过几十个。这就导致用户-物品评分矩阵是一个极其稀疏的矩阵（99%以上是空的），很难找到重叠的部分来计算相似度。
流行度偏差：
- 热门物品会被推荐得越来越多，而一些质量高但小众的物品很难被发掘。

1. 余弦相似度：衡量“方向”上的志同道合

想象一下，我们把两个人的喜好放在一个二维地图上。

你的喜好向量是：(喜欢科幻=5, 喜欢经济学=1)
小明的喜好向量是：(喜欢科幻=4, 喜欢经济学=1)
小红的喜好向量是：(喜欢科幻=1, 喜欢经济学=5)

现在，我们把这三个点画在坐标轴上：

text

经济学^|
5 +    *小红 (1,5)|||
1 +    *你 (5,1)   *小明 (4,1)|+----+----+----+----+-> 科幻1    4    5

余弦相似度关心的是什么？是这两个向量之间的夹角！

你和小明的向量，指向几乎同一个方向（右下角）。它们之间的夹角θ非常小。
你和小红的向量，指向几乎相反的方向。它们之间的夹角θ非常大。

计算公式（直观理解版）：
余弦相似度 = cos(θ)

当夹角为 0° 时，cos(0°) = 1，表示完全相同。
当夹角为 90° 时，cos(90°) = 0，表示完全不相关。
当夹角为 180° 时，cos(180°) = -1，表示完全相反。

所以：

你和小明的相似度 ≈ 0.99（非常相似）
你和小红的相似度 ≈ 0.20（几乎不相似）

为什么用余弦相似度而不是简单的评分差？
因为它能消除用户评分习惯的影响。比如一个用户普遍喜欢打高分（所有书都打4-5分），另一个用户喜欢打低分（所有书都打1-3分）。虽然他们绝对值不同，但他们的相对喜好趋势是一致的（比如都觉得A书比B书好）。余弦相似度能捕捉到这种“趋势”上的一致性，因为它看的是方向，而不是向量的长度。

2. 矩阵分解：从“评分”到“品味”的抽象

我们还是用那个评分表，但现在我们用“？”代表没评过分。

用户 \ 物品	《三体》	《小王子》	《哈利波特》	《经济学原理》
你	5	3	？	1
小明	4	2	5	1
小红	1	5	3	5

这个表格就是一个“评分矩阵”。矩阵分解要做一件非常聪明的事：

它假设存在一些看不见的“隐藏因素”（也叫隐因子/主题），决定了用户为什么喜欢一个物品。

这些因素可能是：

主题1：科幻程度
主题2：童真/浪漫程度
主题3：学术严肃程度

矩阵分解的过程就是：
把这个大表格（评分矩阵），拆解成两个小表格的乘积：

用户-主题矩阵：每个用户对每个隐藏主题的喜好程度。
物品-主题矩阵：每个物品包含每个隐藏主题的多少。

拆解后可能是这样的：

用户-主题矩阵：

用户 \ 主题	科幻	童真	学术
你	0.9	0.2	0.1
小明	0.8	0.1	0.1
小红	0.1	0.8	0.9

物品-主题矩阵：

物品 \ 主题	科幻	童真	学术
《三体》	0.9	0.0	0.1
《小王子》	0.0	0.9	0.1
《哈利波特》	0.3	0.7	0.0
《经济学原理》	0.0	0.1	0.9

现在，预测“你”对《哈利波特》的评分怎么算？
看看“你”的品味和《哈利波特》的属性有多匹配：

你的科幻兴趣(0.9) × 书的科幻属性(0.3) = 0.27
你的童真兴趣(0.2) × 书的童真属性(0.7) = 0.14
你的学术兴趣(0.1) × 书的学术属性(0.0) = 0.00
把这些加起来：0.27 + 0.14 + 0.00 = 0.41（再经过一个转换，就可以变成1-5的评分）

矩阵分解的强大之处：

它甚至不需要《哈利波特》和《三体》被同一个用户评分过，只要它们通过“隐藏主题”关联起来就行。
它能从稀疏的数据中学习到深层的关联，解决了协同过滤的稀疏性问题。

3. 深度学习与非线性特征：模拟人脑的复杂决策

传统的模型（如协同过滤、矩阵分解）可以看作是“线性”的。它们做的是加法和乘法，就像用一条直线或一个平面去拟合数据。

但人的喜好是非常复杂、非线性的。

例子：你为什么喜欢一首歌？
不是简单的 摇滚成分 * 0.3 + 流行成分 * 0.5。
可能是：

“我喜欢在周五晚上听带有复古Disco节奏，但歌词又很忧郁的电子音乐。”
“我讨厌大部分民谣，除非它的吉他编排非常复杂，并且主唱的声音有颗粒感。”

这种“除非...并且...”的复杂逻辑，就是非线性关系。线性模型很难捕捉到这种关系。

深度学习（神经网络）如何工作？

输入层：输入用户和物品的特征（比如ID、标签、内容等）。
隐藏层：进行多层的“加权求和 + 非线性变换”。
- 加权求和：就像矩阵分解，计算不同特征的组合。
- 非线性变换（激活函数）：这是关键！它允许模型学习到这种“跳跃性”的逻辑。它不是一个平滑的直线，而是一个可以弯曲、转折的复杂曲线。每一层都在学习更抽象、更复杂的特征组合。
  - 第一层可能学到“摇滚”、“流行”。
  - 第二层可能学到“节奏感强的摇滚”。
  - 第三层可能学到“适合开车时听的、节奏感强的摇滚”。
输出层：最终输出一个预测的评分或点击概率。