推荐系统学习汇报精要.pptx

学习汇报2;contents;;协同过滤推荐系统的案例分析;;数据支持： 1.获取数据的方式，即为用户的特征提取，有显式获取，隐式获取，启发式获取 2.数据存在于数据库的管理系统中。数据库管理系统用于数据的存储和管理，主要涉及到原始数据和转化数据的存放及表之间关系的确立，并便于程序访问和使用。;建立模型： 用户模型，推荐对象模型 1.基于模型的方法不是基于一些启发规则进行预测计算，而是基于对已有数据应用统计和机器学习生成的模型进行预测。目前，基于模型推荐的协同过滤算法主要有聚类模型，Bayes模型，关联规则模型，语义生成模型等。 2.用户模型：建模方式主要有遗传算法，基于机器学习的方法，例如TF-LDF、自动聚类、贝叶斯分类器，决策树归纳和神经网络方法等。 （1）遗传算法采用遗传结合、遗传交叉变异以及自然选择等操作实现建模，通过遗传进化满足用户兴趣变化时完成模型的更新。 （2）机器学习：a.TF-LDF将用户感兴趣的文档表示成关键词向量，并计算出每个关键词权重来建立用户模型 b.使用贝叶斯分类器的系统计算用户浏览或访问过的推荐对象属于某个给定类的概率，然后依据概率将资源项目分类来建立用户对这些资源项目的偏好模型 ; c:使用决策树归纳作为用户模型学习技术的系统将用户偏好的获取过程表达成一颗决策树，用户从根节点开始，被引导完成一系列问题的回答。树的每个节点表示了决策点，所采取的方向取决于问题的回答或者对可用数据的计算。一旦叶节点被达到，则可得到对用户偏好的完整描述 d：运用神经网络建模的算法，对系统对用户偏好的输入假设进行学习并调整网络连接权重，直到网络中的所有节点达到稳定激活状态。此时输出层中被激活的节点所对应的模式类，如感兴趣/不感兴趣类，即表示了系统识别的用户偏好 e：聚类将具有相似特征的项目或用户分类，使用这类技术的系统一般建立用户群组的综合模型 3.推荐对象模型：基于内容和基于分类的方法;相似用户的聚类-FCM;相似用户的聚类-FCM ;相似用户的聚类-FCM;相似用户的聚类-FCM;相似用户的聚类-FCM;;% 子函数1 function U = initfcm(cluster_n, data_n) % 初始化fcm的隶属度函数矩阵 % 输入: % cluster_n ---- 聚类中心个数 % data_n ---- 样本点数 % 输出： % U ---- 初始化的隶属度矩阵 U = rand(cluster_n, data_n); col_sum = sum(U); U = U./col_sum(ones(cluster_n, 1), :);;% 子函数4 function DataOut = Unitfcm(DataOrg) % 对输入数据进行标准化和归一化处理 % 输入： % DataOrg ---- 样本数据 % 输出： % DataOut ---- 归一化数据 X_col=sum(DataOrg,1)./size(DataOrg,1); S_col=sqrt(sum((DataOrg-X_col(ones(size(DataOrg,1),1),:)).^2,1)./(size(DataOrg,1)-1)); DataUnit=(DataOrg-X_col(ones(size(DataOrg,1),1),:))./S_col(ones(size(DataOrg,1),1),:);%标准化结果 C_col=max(abs(DataUnit),[],1); DataOut=(DataUnit+C_col(ones(size(DataUnit,1),1),:))./(2*C_col(ones(size(DataUnit,1),1),:));%归一化后的结果;function [center, U, obj_fcn] = FCMClust(data, cluster_n, options) % FCMClust.m 采用模糊C均值对数据集data聚为cluster_n类 % 用法： % 1. [center,U,obj_fcn] = FCMClust(Data,N_cluster,options); % 2. [center,U,obj_fcn] = FCMClust(Data,N_cluster); % 输入： % data ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值 % N_cluster ---- 标量,表示