博文
百度电影推荐系统算法大赛目前已经提交的算法结果比较
|||
大赛网址：http://openresearch.baidu.com/topic/40.jspx
算法数据集来自百度的电影数据库，以RMSE作为算法评价标准
数据库基本信息：用户数：9722，电影数：7889
| 算法 | 算法描述 | RMSE | 提交时间 |
| RFREC | 基于频率乘积最大的预测 | 0.7443 | 2013-03-26 |
| ITEM_AVG | 电影平均评分预测 | 0.7127 | 2013-03-26 |
| ITEM_BASED_PEA | 基于Perason相似性的ItemBased协同过滤算法，最近邻个数K=100，找邻居时尽可能找到K个邻居来加权，且采用直接加权方式 | 0.8094 | 2013-04-01 |
| ITEM_BASED_PEA | K=40，同上 | 0.8118 | 2013-04-01 |
| ITEM_BASED_PEA | K=100，对评分差值加权，其他同上 | 0.7143 | 2013-04-01 |
| ITEM_BASED_PEA | K=200，同上 | 0.7142 | 2013-04-01 |
| ITEM_BASED_PEA | K=100，先找K个最近邻，再从中找评过的进行加权，加权方式是对评分的差值进行加权 | 0.7610 | 2013-04-01 |
| USER_BASED_PEA | 基于Perason相似性的UserBased协同过滤算法，最近邻个数K=100，找邻居时尽可能找到K个邻居来加权，且采用直接加权方式 | 0.7005 | 2013-04-01 |
| USER_BASED_PEA | K=400，同上 | 0.7001 | 2013-04-01 |
| USER_BASED_PEA | K=1000，同上 | 0.7001 | 2013-04-01 |
| USER_BASED_PEA | K=400，尽可能找K个邻居加权，对评分差值加权，不能预测的用Item平均评分代替 | 0.6994 | 2013-04-01 |
| USER_BASED_LR | 线性回归预测算法（由我的好友谢峰提出，暂不公开） | 0.6897 | 2013-04-01 |
| ITEM_BASED_LR | 线性回归预测 | 0.6854 | 2013-04-01 |
| SLOPE_ONE | 加权的SlopeOne算法 | 0.6506 | 2013-04-01 |
| SLOPE_ONE | 不加劝的Slope 算法 | 0.6522 | 2013-04-01 |
总得来说，加权的SlopeOne算法表现最好，当然，离上榜还有一定差距，目前排名前30的选手中，最好成绩为0.601，最差的也是0.6207，还需要再接再厉呀~
PS：目前的预测都是基于评分数据进行预测的，还没有利用用户的社交关系，电影标签等外部数据，相信后面在引入这些数据之后，效果会更好！
https://blog.sciencenet.cn/blog-772543-676010.html
下一篇：文献总结：具有社区结构的复杂网络构造模型
