数据挖掘技术在推荐系统的应用by陈运文.pdfVIP

数据挖掘技术在推荐系统的应用 陈运文 博士 kddchen@ 引言 陈运文 博士 kddchen@ 数据挖掘和推荐系统  数据挖掘是利用各种分析方法和分析工具在大规模海量数 据中建立模型和发现数据间关系的过程；挖掘得到的这些 模型、关系和规律可以用来作出决策和预测  数据挖掘的应用  包括但不仅仅是报表、基础数据统计、BI、OLAP等  面向应用系统，能更充分的体现价值  推荐系统是数据挖掘的一个重要应用点  个性化  实时服务 推荐系统概述  推荐系统通过挖掘用户行为和关系数据，建立用户模型和偏好，对用 户的个性化需求进行预测  让用户更容易的发现其所感兴趣的信息，让信息更便捷的传达给其所 适合的用户 概念1：个性化的需求挖掘 概念2：推荐和搜索  用户明确想要什么，且能明确描述时 搜索引擎  用户需求不明确，或难以表达时  推荐引擎  搜索（主动） vs 推荐（被动）  大量技术相互借鉴（e.g. Learning-to-rank , pCTR） 概念3：信息过载的处理  信息过载(information overload)  用户有越来越强的信息过滤 (filter)需求  用户需求的个性化 推荐系统的应用 应用条件 常见场景  信息的极大丰富  个性化服务  视频 书籍 新闻 …  候选的结果  Apps  待挖掘的数据  游戏  消费需求存在多样性  个性化营销  电子商务公司  单一/从众  个性/品味  个性化广告  需要增强用户粘性  精准广告/情境广告  知心助手 推荐系统的研究对象 基础对象 行为/关系  item  user-item关系  商品，视频，音乐，新闻，  显式反馈(explicit feedbacks) 小说，游戏，Apps …  隐式反馈(implicit feedbacks)  user …  user  user-user关系  基础属性(demographic)  显式关系（explicit relations）  社交关系 …  隐式关系(implicit relations) 常见推荐场景  user  items  user  users 常见推荐场景2  item  items 智能推荐的充分运用 (LinkedIn)  30+ types 智能推荐的巨大价值 (LinkedIn