推荐引擎材料.pptxVIP

探索推荐引擎内部的秘密 2012.12.25 推荐引擎初探 协同过滤 聚类算法 1 2 3 推荐引擎初探 推荐引擎工作原理 一般情况下，推荐引擎所需要的数据源包括： 1、要推荐物品或内容的元数据，例如关键字，基因描述等； 2、系统用户的基本信息，例如性别，年龄等； 3、用户对物品或者信息的偏好，根据应用本身的不同，可能包括用户对物品的评分，用户查看物品的记录，用户的购买记录等。 这类是用户在网站上自然浏览或者使用网站以外，显式的提供反馈信息，例如用户对物品的评分，或者对物品的评论。 这类是用户在使用网站是产生的数据，隐式的反应了用户对物品的喜好，例如用户购买了某物品，用户查看了某物品的信息等等。 显式的用户反馈 隐式的用户反馈 推荐引擎初探 推荐引擎的分类 1、推荐引擎是不是为不同的用户推荐不同的数据 ①大众化推荐引擎。对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品。 ②个性化推荐引擎。对不同的用户，根据他们的口味和喜好给出更加精确的推荐，这时，系统需要了解需推荐内容和用户的特质，或者基于社会化网络，通过找到与当前用户相同喜好的用户，实现推荐。 推荐引擎初探 推荐引擎的分类 2、根据推荐引擎的数据源 ①基于人口统计学的推荐。根据系统用户的基本信息发现用户的相关程度。 ②基于内容的推荐。根据推荐物品或内容的元数据，发现物品或者内容的相关性。 ③基于协同过滤的推荐。根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性。 推荐引擎初探 推荐引擎的分类 3、根据推荐模型的建立方式 ①基于物品和用户本身的推荐。这种推荐引擎将每个用户和每个物品都当作独立的实体，预测每个用户对于每个物品的喜好程度，这些信息往往是用一个二维矩阵描述的。为了减小计算量，我们可以对物品和用户进行聚类， 然后记录和计算一类用户对一类物品的喜好程度。 ②基于关联规则的推荐。通过关联规则的挖掘，我们可以找到哪些物品经常被同时购买，或者用户购买了一些后通常会购买哪些其他的物品，当我们挖掘出这些关联规则之后，我们可以基于这些规则给用户进行推荐。 ③基于模型的推荐：可以将已有的用户喜好信息作为训练样本，训练出一个预测用户喜好的模型，可以基于此模型计算推荐。 推荐引擎初探 深入推荐机制 1、基于人口统计学的推荐 系统对每个用户都有一个用户 Profile 的建模，其中包括用户的基本信息，例如用户的年龄，性别等等； 系统会根据用户的 Profile 计算用户的相似度。 优点： 1、因为不使用当前用户对物品的喜好历史数据，所以对于新用户来讲没有“冷启动（Cold Start）”的问题。 2、这个方法不依赖于物品本身的数据，所以这个方法在不同物品的领域都可以使用，它是领域独立的（domain-independent）。 缺点： 1、对用户进行分类的方法过于粗糙，尤其是对品味要求较高的领域，无法得到很好的推荐效果。 2、涉及到一些与信息发现问题本身无关却比较敏感的信息，不是很好获取。 推荐引擎初探 深入推荐机制 2、基于内容的推荐 优点：能很好的建模用户的口味，能提供更加精确的推荐。 缺点： 1.需要对物品进行分析和建模，推荐的质量依赖于对物品模型的完整和全面程度。在现在的应用中我们可以观察到关键词和标签（Tag）被认为是描述物品元数据的一种简单有效的方法。 2.物品相似度的分析仅仅依赖于物品本身的特征，这里没有考虑人对物品的态度。 3.因为需要基于用户以往的喜好历史做出推荐，所以对于新用户有“冷启动”的问题。 推荐引擎初探 深入推荐机制 3、基于协同过滤的推荐 基于协同过滤的推荐可以分为三个子类： 基于用户的推荐 基于项目的推荐 基于模型的推荐 推荐引擎初探 深入推荐机制 3、基于协同过滤的推荐-基于用户的协同过滤推荐 基于用户的协同过滤推荐的基本原理是，根据所有用户对物品或者信息的偏好，发现与当前用户口味和偏好相似的“邻居”用户群，在一般的应用中是采用计算“K- 邻居”的算法；然后，基于这 K 个邻居的历史偏好信息，为当前用户进行推荐。 基本假设： 喜欢类似物品的用户可能有相同或者相似的口味和偏好 基于用户的协同过滤推荐机制和基于人口统计学的推荐机制都是计算用户的相似度，并基于“邻居”用户群计算推荐，但它们所不同的是如何计算用户的相似度，基于人口统计学的机制只考虑用户本身的特征，而基于用户的协同过滤机制可是在用户的历史偏好的数据上计算用户的相似度 推荐引擎初探 深入推荐机制 3、基于协同过滤的推荐-基于项目的协同过滤推荐 基于项目的协同过滤推荐的基本原理也是类似的，只是说它使用所有用户对物品或者信息的偏好，发现物品和物