移动环境下的内容推荐初探.pptx

移动环境下的内容推荐初探Agenda● 什么是推荐系统● 移动内容推荐的特点● 豌豆荚移动内容推荐关键技术● 总结什么是推荐系统Recommender systems orrecommendation systems (sometimesreplacing system with a synonym suchas platform or engine) are a subclass ofinformation filtering system that seek topredict the rating or preference thatuser would give to an item.- from wikipediaRecommender systems/engines are asubclass of information retrievalsystems/engines in passive mode.Search systems/engines are a subclassof information retrieval systems/enginesin active mode.常用的推荐功能● 有哪些值得看的电影？● 去哪儿下馆子腐败？● 淘点啥宝贝？● 装什么有意思的应用？● 大家都在讨论什么话题？● Netflix Prize $1 Million Challenge?推荐技术应用场景应用场景排行榜推荐个性化推荐使用海量数据电影推荐多多是餐馆推荐多少是商品推荐多多是应用推荐多多是话题推荐多少是广告推荐少多是海量数据是推荐之本 推荐位置 ● 推荐位所在页面内容 ● 推荐位在页面中位置 推荐物品(Item)推荐物品 ● 种类、主题、关键词 ● 生命周期、投放规则 ● 大小、颜色、价格 ● …...推荐用户 ● 人口学属性(性别、年 龄等) ● 行为属性/兴趣特征(浏 览、搜索、缓存) ● Social内容(社交关系 、小组发帖) ● 上下文(时间、地点等)推荐用户(User)●…...推荐算法 推荐用户 用户行为属性 Social内容 人口学属性 行为属性/兴趣 特征 用户全局画像 推荐算法 关键规则挖掘协同过滤 CF(User-based CF, Item- based CF) 矩阵分解 图挖掘 基于热度/知识/规则的推荐 基于内容的推荐 基于预测模型的推荐 混合推荐方法 推荐场景一个用户在多个物品 有行为 用户-物品行为矩阵 不能过于稀疏用户对物品的兴趣规 律可观察 适用于解决冷启动 (cold start)问题真实系统大都这么做常用推荐算法比较推荐算法优点缺点示例基于知识的推荐算法(基于人工观察和经验，抽象出规则进行推荐)1.方法简单2.规则易解释、易运营3.所需数据少1.规则来源于人工知识，覆盖率差2.有效周期难以判断好友推荐基于内容的推荐算法1.可以解决冷启动问题2.方便整合各种用户/物品特征3.推荐结果易于理解1.受限于特征提取的准确性2.需要大量的支撑数据3.常局限于特征稀疏的情况GoogleNewsAmazon淘宝豌豆荚协同过滤的推荐算法1.原理简单有效，易于理解2.算法灵活，支持海量用户/物品3.无需考虑复杂特征，支持特征空间极其复杂的用户/物品的高效计算1.很明显的冷启动问题2.常受限于用户/物品行为矩阵稀疏的情况3.受限于用户/物品rating的正确性Netfix淘宝Amazon豆瓣豌豆荚协同过滤-User-based CF协同过滤-Item-based CF移动推荐的特点使用次数多时间碎片化内容消费占大头用户易定位(用户-设备)移动推荐的新特点特点原因实时推荐非常重要移动设备/应用使用次数多推荐的准确率要求更高移动设备/应用使用时间碎片化内容推荐是关键移动设备/应用消费中内容是大头可利用用户信息更丰富移动设备可以用来准确定位用户豌豆荚移动内容推荐关键技术豌豆荚移动内容推荐框架关键技术之知识图谱知识图谱 - Knowledge Graph Knowledge Graph understands real-world entities and their relationships to one another: things, not strings, helps the machine to understand the world a bit more like people do.Knowledge Graph consists of nodes with edgesbetween them. Each node corresponds to an entity inreal work, each edge describe the relationship betweenthe