推荐系统简介.ppt

推荐系统简介 邹权 博士，助理教授 什么是推荐系统 软件/工具/技术 为用户提供选择项目的决策支持 购买商品、听歌、新闻 大多数推荐系统专注于一种类型的项目 Amazon/当当 Expedia/携程 IMDB/豆瓣 1 Recommender System 推荐系统的特点 用户要求 数据要求 任务要求 目标要求 推荐系统研究 90年代中期作为一种新兴的独立研究领域 产业先行，学术界紧随 《长尾理论》作者克里斯安德森提出 “我们正在离开信息时代，迈入推荐时代” 推荐系统任务 推荐系统可以利用的信息 项目 项目档案 用户 用户档案 交易 显式（打分） 隐式（反馈） 知识 本体或约束 社会关系 推荐系统主要方法 基于内容 协同过滤 混合推荐 1 Recommender System There are many ways by which we can get the list. Recommender systems are usually classified into the following categories, based on how recommendations are made， 1. Content-based recommendations: The user will be recommended items similar to the ones the user preferred in the past; 1 Recommender System 2. Collaborative recommendations: The user will be recommended items that people with similar tastes and preferences liked in the past; Corated Item Top 1 The similar user favorite but target user not bought recommend it to target user 2 矩阵分解 user item 这是我的一个例子，我前些天在当当网上买了一本机器学习，后来当我在登录当当的时候，他就给我推荐了下面这些书《模式识别中的核方法及其应用》，《机器人学导论》《数据挖掘》《编程之美》《人工智能》等这些书籍。 其实，在工业界和学术界，远不止这些方法。按照他们做出推荐方式的不同，可以分为以下三类，第一类是称为基于内容的推荐，就是向用户推荐与他以前喜欢项目相关的项目，当当就是采用的这种方法，这种方法有很好解释性，因为这些自己以前购买某种物品，产生的推荐，这样有一个弊端，就是推荐容易陷入一个死圈，只能推荐与用户曾经喜欢项目相关的项目，不能推荐新样的项目，在多样性和新颖性方面不能表现很好的性能。 第二类是协同推荐，也就是根据与用户特征相近的用户选择项目情况对目标用户进行推荐，这类推荐能推荐出新颖的东西，毕竟不同的人可能尝试的东西不一样，这类问题的解释性牵涉到个人隐私；基于的假设是物以类聚，人以群分 就是将用户的对各项目的评分看做是一个向量，然后利用数学方法求解这些向量之间的相似性，因为这些向量与用户一一对应，所以求出目标用户对应向量的近似向量也就求出了相似的用户。具体过程是这样的，首先我们根据数据集得到用户评分矩阵，然后用户评分矩阵中的每一个行就对应相应编号的用户，然后我们就利用数学方法来求用户评分向量之间的相似性，从而求得用户之间的相似性。那么利用那些数学方法进行求解呢？