CH05 电子商务推荐系统.ppt

电子商务推荐系统分类 推荐技术分类标准： 自动化程度(Degree of Automation)：客户为了得到推荐系统的推荐是否需要显式的输入信息 持久性程度(Degree of Persistence)：推荐系统产生推荐是基于客户当前的单个会话(Session)还是基于客户的多个会话 * 电子商务推荐系统分类 推荐技术分类 Non-Personalized Recommendation：推荐系统的推荐主要基于其他客户对该产品的平均评价，这种推荐系统独立于客户，所有的客户得到的推荐都是相同的 (自动，瞬时) Attributed-Based Recommendation：推荐系统的推荐主要基于产品的属性特征 (手工) Item-to-Item Correlation：推荐系统根据客户感兴趣的产品推荐相关的产品 (瞬时) People-to-People Correlation：推荐系统根据客户与其他已经购买了商品的客户之间的相关性进行推荐 (自动，持久) * 电子商务推荐系统的研究问题 给定一组使用者 U 和一组推荐给使用者的对象集 S. 令 p 是效用函数，用来测量某一对象 s (? S) 对于某一特定的使用者 u (? U)的有用性，例如： p:U×S ? R, R 是完全有序集合 (例如, 一个区间的非负整数或者实数) 目标 基于历史数据来学习 p . 使用 p 来预测每一个对象s (? S) 对于每一个使用者u (? U)的效用函数. * 预测的类型 评分预测：预测使用者以前没有使用过的对象的评分. 例如： 预测没有看过的电影的评分. 在这种情况下, 对于使用者u 而言, 对象s 的效用是u对s 的评分. Top N 对象预测：预测使用者可能购买的对象的排序列表. * 电子商务推荐系统的基本方法 基于内容的推荐（Content-based recommendations）: The user will be recommended items similar to the ones the user preferred in the past; 协同过滤 (Collaborative filtering or collaborative recommendations): The user will be recommended items that people with similar tastes and preferences liked in the past. 混合方法 (Hybrids): Combine collaborative and content-based methods. * 基于内容的推荐系统的思路 推荐相似对象：Recommend items similar to those users preferred in the past 使用者资料：User profiling is the key 关键词：Items/content usually denoted by keywords 匹配：Matching “user preferences” with “item characteristics” … works for textual information 向量空间方法：Vector Space Model widely used * 基于内容的推荐方法的局限性 有的内容难于通过关键词描述：Not all content is well represented by keywords, e.g. images 无法区分基于相同特征的对象：Items represented by same set of features are indistinguishable Overspecialization: unrated items not shown 大量内容信息导致匹配困难：Users with thousands of purchases is a problem 新使用者没有历史信息: No history available 过于相似或者差异过大的推荐不容易被使用者接受：Shouldn’t show items that are too different, or too similar * 协同过滤 协同过滤(CF) 是研究的最大，也是应用最为广泛的推荐方法. k-最近邻法 (k-nearest neighbor), 关联规则法 (association rules