推荐系统浅析.docx

Xiaol v2009-Relevance is more significant than correlation: Information filtering on sparse data 本文提出了在针对数据稀疏时，使用相关性信息比关联性信息效果更好，因为在关联性信息中，会用到更多的数据， Recommendation System 推荐系统存在的主要挑战： Data sparsity. Scalability 解决该问题的一般方法（28-30） 有必要考虑计算成本问题和需找推荐算法,这些算法要么是小点的要求或易于并行化(或两者) 使用基于增量的算法，随着数据的增加，不重新计算所有的数据，而是微调的进行 Cold start 解决该问题的方法一般有 使用混合推荐技术，结合content和collaborative数据，或者需要基础信息的使用比如用户年龄、位置、喜好genres（31、32） 识别不同web服务上的单独用户。比如Baifendian开发了一个可以跟踪到单独用户在几个电子商务网站上的活动，所以对于在网站A的一个冷启动用户，我们可以根据他在B，C，D网站上的记录来解???其冷启动问题。 Diversity vs. Accuracy（多样性和精确性） 将一些很受欢迎的且高评分的商品推荐给一个用户时，推荐非常高效，但是这种推荐不起多少作用，因为这些商品可以很容易的找到。因此一个好的推荐商品的列表应该包含一些不明显的不容易被该用户自己搜索到的商品。解决该问题的方法主要是提高推荐列表的多样性，以及使用混合推荐方法。（34-37） Vulnerability to attacks The value of time. Evaluation of recommendations er interface. 除了这些问题外，还有其他的。随着相关学科分支的出现，特别是网络分析工具，科学家考虑网络结构对推荐的效果影响，以及如何有效使用已知的结构属性来提高推荐。比如，（45）分析了消费者-商品网络并提出了一个基于喜好边（preferring edges）改进的推荐算法，该算法提高了局部聚类属性。（46）设计并提高了算法，该算法充分利用了社区结构（community structure）。随之而来的挑战主要有：带有GPS移动手机成为主流，并且可以访问网络，因此，基于位置的推荐更需要精确的推荐，其需要对人的移动有一个高效预测能力（47、48）并且高质量的定义位置和人之间的相似性的方法。（49、50）。智能推荐系统需考虑不同人的不同行为模式。比如新用户比较喜欢访问popular商品并且选择相似的商品，而老的用户有更不同的喜好（51,52）用户行为在低风险商品和高风险商品之间更加的不同。（53,54） 推荐系统的一些概念 网络 网络分析对于复杂系统的组织原则的发现是一个万能的工具（5-9）。网络是由一些元素点和连接点的边组成的。点即为个人或者组织，边为他们之间的交互。网络G可用（V，E）表示，V（vertice）为节点的集合，E为边（edge）的集合。在无向网络中，边无方向。在有向网络中，边有向。我们假设网络中不存在回路以及两个节点之间不存在多条边。G(V,E)图中，一些参数表示 是指与节点x连接的节点（即x的邻居）的集合。 即为x节点的度。 即为度为k的所有节点被随机选中的概率，假设度为k的节点有x个，总节点为N，则=x/N。 即网络中的节点个数。 即为网络直径，指在所有节点间最大的距离。 为平均距离，计算公式为: ,为x节点到y 节点的距离。 ，即给定节点x的聚集系数，即x节点的邻居之间存在的边数/x的邻居对的个数。 ，为x节点的个邻居之间的边数 网络聚集系数，即为所有节点x（1)的聚集参数的和的平均。 Bipartite network（由两部分构成的网络） 即一个网络G(V;E)，如果存在一个分割(V1; V2)，使得，并且V1集合的节点与V2集合的节点都有一个边连接。Web-based user-object networks即为该类网络。（51、76-78） 以下为对分网络的信息来源： HYPERLINK /note /note  HYPERLINK /content/10/0601/21/11586shtml /content/10/0601/21/11586shtml 对分网络即bipartite network，是一个属于复杂网络研究的对象。在这篇文章里，作者第一次把它引入到推荐系统的应用当中。依我来看，这是一种非正统的推荐方法，又是去年新发表的文章，兼且我对作者的思路也有一些了解，所以想拿出来介绍一下。所谓正