数据知识工程资料.pptVIP

* * Personalized Recommended Based on Co-Ranking and Query-Based Collaborative Diffusion 主讲人：彭灿，王凯 背景介绍 随着 Internet 的迅猛发展 , 接入 Internet 的服 务器数量和 World-Wide-Web 上的网页的数目都呈 现出指数增长的态势. 互联网技术的迅速发展使得大量的信息同时呈现在我们面前,例如 , Netflix 上 有 数 万 部 电 影 , Amazon上有数百万本书,Del1icio1us上面有超过 10 亿的网页收藏 , 如此多的信息,别说找到自己感兴趣的部分,即使是全部浏览一遍也是不可能的. 传统的搜索算法只能呈现给所有的用户一样的排序结果 , 无法针对不同用户 的兴趣爱好提供相应的服务. 信息的爆炸使得信息 的利用率反而降低 , 这种现象被称之为信息超载. 正因为信息超载现象的出现使得个性化推荐得到了应用。个性化推荐,包括个性化搜索 , 被认为是当前解决信息超载问题最有效的工具之一. 推荐问题从根本上说就是代替用户评估它从未看过的产品（也可以说个性化推荐的本质就是信息过滤）这些产品包括书、电影、CD、网页、甚至可以是饭店、音 乐、绘画等等 ——是一个从已知到未知的过程. 个性化推荐研究直到 20 世纪 90 年代才被作为 一个独立的概念提出来. 最近的迅猛发展 , 来源 于 Web2.0 技术的成熟. 背景介绍 有了这个技术 , 用户不再 是被动的网页浏览者 , 而是成为主动参与者 . 在 一个实际的推荐系统中需要推荐的产品可能会有成 千上万 , 甚至超过百万 , 例如 Amazon , eBay , Youtube 等 , 用户的数目也会非常巨大. 准确、高 效的推荐系统可以挖掘用户潜在的消费倾向 , 为众 多的用户提供个性化服务. 在日趋激烈的竞争环境 下 , 个性化推荐系统已经不仅仅是一种商业营销手段 , 更重要的是可以增进用户的黏着性. 个性化推 荐系统已经给电子商务领域带来巨大的商业利益. 据 VentureBeat 统计 , Amazon 的推荐系统为其提 供了 35 %的商品销售额. 尽管现有的推荐系统已经 在电子商务等领域取得了巨大的成功 , 但是还需要 在不同领域研究人员的努力下进一步完善和发 展. 一个典型的例子就是 Netflix 开出 100 万美元 的奖金 , 奖励给能把他们网站的产品推荐精确度提 高 10 %的人. Netflix 的竞赛只是从推荐准确性的角 度评价算法 , 事实上 , 还有很多的评价指标可以度量 推荐算法的表现 , 因此也可以从多个角度对算法进行 改进. 当然 , 无论从哪个角度改进 , 都需要从整体入 手对推荐系统的体系结构有一个完整的认识. 背景介绍 一个完整的推荐系统由3个部分组成: 收集用户信息的行为记录模块 ,分析用户喜好的模型分析模块和推荐算法模块(也就是本文所说的users,item and additional data assigned to them). 其中，行为记录模块负责记录用户的喜好行为 , 例如问答、评分、购买、下载、浏览 等. 问答和打分的信息相对好收集 , 然而有的用户不愿意向系统提供这些信息 , 那么就需要通过其他 方式对用户的行为进行分析 , 例如购买、下载、浏览等行为. 通过这些用户的行为记录分析用户的潜在喜好产品和喜欢程度. 这就是模型分析模块要完成的工作. 模型分析模块的功能能够对用户的行为记录进行分析,建立合适的模型来描述用户的喜好信息. 最后是推荐算法模块,利用后台的推荐算法,实时地从产品集合中筛选出用户感兴趣的产品进行推荐.其中,推荐算法模块是推荐系统中最为核心的部分. 在介绍本文之前先介绍一下一些常见的个性化推荐系统。目录如下： 模版名称：蓝色系模版 模版编号：TCB001 适用范围：本模版用于月底分析报表、分析。 制作课件： 1、图表的大小要与“图表专用”板式中的框体大小相符或一致。 2、在设计表格时，要去掉表格的左右边框，“点击表格”—“设计”—“边框”下拉键—“左边框”——“右边框”。 目 录 协同过滤系统（col-laborative filtering） 基于内容(content-based) 的推荐系统 基于网络结构的推荐系统（network-based） 独立系统相互结合的混合推荐系统（hybrid） 基于内容和基于协同过滤的混合推荐系统 Presonalized Recommendation Based on Co-Ranking and Query-Based Collaborative Diffusion 注：最后一个即本文的一种