理解高斯函数，以及在推荐算法中的应用

更新时间：2022-07-18 10:31:58

这是一个很有用的公式比如：用户消费分值权重，产品关联分值权重等等

公式理解高斯函数，以及在推荐算法中的应用

在 http://www.wolframalpha.com 中表示 :
e = (1+1/n) ^n
a*e^(-(x-b)^2/c^2)
a 峰值最大值
b 峰值x轴偏移量
c 弧度跨度

理解高斯函数，以及在推荐算法中的应用

= 1*e^(-(x-1)^2/1^2)
理解高斯函数，以及在推荐算法中的应用

修改峰值 a = 2
理解高斯函数，以及在推荐算法中的应用

这里就不一一展现 b 峰值x轴偏移量， c 弧度跨度了大家可以去 wolframalpha 自己去尝试
实例1 与时间有关的递减：

import math
def gaussian(x,peak=1.0,axis=1.0,span=1.0):
return peak*math.e**(-(x-axis)**2/(span)**2 )

跨度 c 参考:
c = 1 : 在2.5 附件急剧衰减
c = 2 : 4
c = 18 :30 # 这个数衰减统计一个月不错
c = 55 :90 # 衰减统计一个季度不错

#简单应用
消费1次得峰值4分浏览1次峰值2分
统计某用户季度得分
数据：在前10天浏览10次，消费1次，前11天浏览5次
d10 = gaussian(10,span=55.0)
d11 = gaussian(11,span=55.0)
print d10*10*2+d10*4*1+d11*5*2
#结果 33.0407089687

倒的高斯　－　实例2 ：
公式 = 理解高斯函数，以及在推荐算法中的应用

目的　与次数有关的产品分值化

#用户对某产品分值化
# 比如某用户用过某产品 n次，我希望 n 无限大是一个渐进某个值而不是和 n 无限递增的
#下面的 fun 结果是 1.6 ～ 10 分值直接的区域, 也就是传说中的产品感兴趣 “10分制” 简易版
def gs(x,peak=9.0,axis=-2.0,span=11.0):
return "%.4f" % (-1*peak*math.e**(-(x-axis)**2/(span)**2 )+peak+1)

>>> gs(1)
'1.6451'
>>> gs(2)
'2.1148'
>>> gs(3)
'2.6800'
>>> gs(4)
'3.3161'
>>> gs(5)
'3.9970'
>>> gs(6)
'4.6969'
>>> gs(60)
'10.0000'

本文转自博客园刘凯毅的博客，原文链接：理解高斯函数，以及在推荐算法中的应用，如需转载请自行联系原博主。

上一篇 : ：算法复杂度分析图下一篇 : Berkeley DB python btree

理解高斯函数，以及在推荐算法中的应用

相关阅读

推荐文章