推荐系统简介精要.pptVIP

推荐系统 戴 奇 推荐系统出现的原因 随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载（information overload）的时代。在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战。 无明确需求 信息过载 推荐系统和搜索引擎的异同 相同点： 都是一种帮助用户快速发现有用信息的工具 不同点： 搜索引擎需要用户主动提供准确的关键词来寻找信息 推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为给用户的兴趣建模 从某种意义上说，推荐系统和搜索引擎对于用户来说是两个互补的工具 搜索引擎满足了用户有明确目的时的主动查找需求 推荐系统能够在用户没有明确目的的时候帮助他们发现感兴趣的新内容 推荐系统的概念和定义 定义：它是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程”。 推荐系统有3个重要的模块：用户建模模块、推荐对象建模模块、推荐算法模块。 推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。 推荐系统的任务 联系用户和信息（物品） 帮助用户发现对自己有价值的信息 让信息能够展现在对它感兴趣的用户面前 推荐系统是如何工作的 以看电影为例 向朋友咨询。这种方式在推荐系统中称为社会化推荐，即让好友给自己推荐物品。 打开搜索引擎，输入自己喜欢的演员名，然后看看返回结果中还有什么电影是自己没有看过的。这种推荐方式在推荐系统中称为基于内容的推荐。 查看排行榜 找到和自己历史兴趣相似的一群用户，看看他们最近在看什么电影，这种方式称为基于协同过滤的推荐。 推荐系统（算法）的本质 通过一定的方式将用户和物品联系起来，而不同的推荐系统利用了不同的方式。 图2展示了联系用户和物品的常用方式，比如利用好友、用户的历史兴趣记录以及用户的注册信息等。 推荐系统模块——用户建模模块 一个好的推荐系统要给用户提供个性化的、高效的、准确的推荐，那么推荐系统应能够获取反映用户多方面的、动态变化的兴趣偏好 推荐系统有必要为用户建立一个用户模型，该模型 能获取、表示、存储和修改用户兴趣偏好，能进行推理 对用户进行分类和识别 帮助系统更好地理解用户特征和类别，理解用户的需求和任务，从而更好地实现用户所需要的功能 建立用户模型之前，需要考虑下面几个问题： 模型的输入数据有哪些，如何获取模型的输入数据。 如何考虑用户的兴趣及需求的变化。 建模的对象是谁。 清楚了上述内容后，怎么建模呢。 模型的输出是什么。 用户建模的大致过程如图 图2中获取用户信息就是解决模型输入数据的问题，模型的输入数据主要有以下几种： 用户属性 用户手工输入的信息 用户的浏览行为和浏览内容 推荐对象的属性特征 获取模型输入数据的方式有显式获取、隐式获取 显式的获取方式：用户主动告之 优点：简单而直接的做法，能相对准确地反映用户的需求，同时所得的信息比较具体、全面、客观，结果往往比较可靠 缺点：很难收到实效，主要原因就是很少用户愿意花时间或不愿向系统表达自己的喜好 隐式获取法：指系统通过跟踪用户行为，通过推理获取用户的兴趣偏好 优点：减少用户很多不必要的负担，不会打扰用户的正常生活 缺点：跟踪的结果未必能正确反映用户的兴趣偏好 用户的兴趣和需求会随着时间和情景发生变化，用户建模时要考虑到用户长期兴趣偏好和短期兴趣偏好，还要考虑兴趣的变化，目前很多研究关注了用户的长期兴趣，建立了静态模型，用户兴趣更新的动态模型也受到了很多关注，短期兴趣的关注还比较少 建模的对象有单用户建模和群组建模之分 单用户建模针对单个用户进行建模，比如基于内容的推荐 群组建模是针对群体用户进行建模，比如协同推荐 用户模型的建模方法主要有遗传算法、基于机器学习的方法，例如TF-IDF、自动聚类、贝叶斯分类器、决策树归纳和神经网络方法等。 推荐系统模块——推荐对象的建模 推荐对象进行描述之前也要考虑以下几个问题： 提取推荐对象的什么特征，如何提取，提取的特征用于什么目的。 对象的特征描述和用户文件描述之间有关联。 提取到的每个对象特征对推荐结果会有什么影响。 对象的特征描述文件能否自动更新。 不同的对象，特征也不相同，目前并没有一个统一的标准来进行统一描述，主要有基于内容的方法和基于分类的方法两大类方法。针对文档类对象的这两个表示方法给以分析。 基于内容的方法是从对象本身抽取信息来表示对象，使用最广泛的方法是用加权关键词矢量，该方法通过对一组文档的统计分析得出文档的特征向量。在完成文档特征的选取后，还得计算每