7推荐系统2015教程详解.pptVIP

推荐技术 业界比较认可也比较常用的解决冷启动问题的技术是基于内容的最近邻居查找技术。该技术的核心思想是： （1）按照用户的属性进行相似性聚类，聚类办法可以采用聚类技术。 （2）以项目的属性特征为标准，找到新项目属相相似的最近邻居群。 （3）用项目的最近邻居群计算最近邻居的评分平均分，用其代替已有评分的平均值。 （4）将用平均分代替后的最近邻居群矩阵与用户-项目评分矩阵中的协同相似关系群组合，从而获得推荐结果。 技术原理 2、基于内容的推荐系统CB（Content-based Recommender Systems） 根据用户和产品自身的性质和特点进行推荐。这种推荐系统会根据产品的性质为产品贴上标签，根据用户以往的购买、使用、点击等行为来确定用户的消费特征，然后把这些特征数据转化为结构化的计算机能够识别使用的数据。 比如对于一个电影推荐系统来说，会给电影按照各种特质分类，可以分为：科幻、动作、爱情、恐怖、悬疑、搞笑等等；也可按照国家分类为：中国、美国、欧洲等等；还可以按照上映时间，拍摄导演分类，这可以根据系统功能和用户需求来调整。不同的用户有不同的消费特征，把这些特征抽象成结构化的数据，根据产品相似性的计算来进行个性化推荐。 基于内容的推荐系统示例 技术原理 2、基于内容的推荐系统CB CB的过程一般包括以下三步： 1. Item Representation：为每个item抽取出一些特征（也就是item的content了）来表示此item； 2. Profile Learning：利用一个用户过去喜好的item的特征数据，来学习出此用户的喜好特征（profile）； 3. Recommendation Generation：通过比较上一步得到的用户profile与候选item的特征，为此用户推荐一组相关性最大的item。 推荐技术 基本技术 2、基于内容的推荐系统 所谓的基于内容的推荐方法就是根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项。 启发式的方法和基于模型的方法。 基于内容的推荐系统的优点： （1）不需要很多的全局数据，只需要一部分就能进行推荐，这对整个推荐系统来说很好的解决了当系统数据不断增长时的可扩展性问题。 （2）对于兴趣爱好非常确定的用户来说，推荐会非常的成功。 （3）对于一个新系统和新用户来说，推荐的结果会比其他的推荐算法让人满意，这也能解决冷启动问题。 缺点： 1) 预处理困难。很多产品很难去预处理其特征得到结构化的数据，比如网络商店中产品种类极多，繁杂。不可能将其一一分类，这样对数据库和系统会照成极大负担。因此，基于内容的推荐只能对一定内容进行浅显的分析。在一些领域，项目属性并不能体现一些隐含的特点，如，电影、音乐或饭店等。 2) 推荐的内容有限。当系统仅仅根据用户资料或项目描述来进行推荐的时候，用户被限制在只能得到与以往熟悉的内容相类似的项目。这样不利于挖掘用户潜在的兴趣。无法推荐潜在的、最新的产品。 3) 缺乏用户反馈。这是推荐系统的普遍性问题。对项目进行评价对于用户来说是一项繁重的任务，所以评价越少越好。 3、混合推荐 以上两种推荐系统（基于内容的推荐系统和协同过滤推荐系统），各有各的优点同时各有各的缺点，所以就产生了两种推荐算法混合在一起的推荐系统。一般来说都有以下几种组合的方式： （1）顺序组合：在应用刚起步的时候使用基于内容的推荐算法，能很好解决冷启动问题。而当应用积累了一定的数据后再使用协同过滤推荐算法，这时的精确性和有效性要比基于内容的推荐算法高，而且能发现新需求。 3、混合推荐 （2）加权组合：这种组合方式会同时使用基于内容的推荐算法和协同过滤推荐算法来预测用户对产品的评分，这样能得到评分A和B，然后综合两个评分进行加权最终得到一个评分xA+yB(一般情况下x+y=1)，最后根据加权评分来进行评分预测和项目推荐。 （3）混合组合：这种组合方式会分别使用基于内容的推荐算法和协同过滤推荐算法来得出推荐列表，之后通过分析两张列表后再组合这两个推荐列表得出最终的推荐列表。 电子商务推荐系统 电子商务推荐系统通过相应网站对用户浏览习惯，搜索行为，资源进行分析，把可能对用户有价值，用户感兴趣的商品推荐出来。为电子商务的发展起到了很大的作用。 电子商务出现之后，随着客户数量的增长，商品信息的膨胀，如此海量的信息不可能通过导购来为客户进行服务。 电子商务推荐系统通过数据收集、分类、分析等操作，把最适合客户的商品推荐给客户，节省用户的购买时间，提高用户购买商品的质量。在传统的商业销售模式中，导购人员不能对客户进行分类，也不能分析出每个用户的兴趣，然后给用户推荐可能感兴趣的商品。 电子商务推荐系统研究内容 本质上说，电子商务推荐系统是一种个性化的推荐系统，它将导购人员帮助