个性化算法总结.docVIP

个性化算法总结 　　摘要：在现有文献统计下个性化推荐算法可以分为如下三类：基于内容的推荐（Content-based Recommendation）、基于协同过滤的推荐（CollaborativeFilteringbasedRecommendation），以及混合型推荐系统（Hybrid Recommendation）。其中，基于协同过滤的推荐因其对专家知识依赖度低以及可以利用群体智慧等特点，得到了最为深入也最为广泛的研究，它又可以被分为多个子类别，主要包括基于用户的协同过滤（User-based CF），基于物品的协同过滤（Item-based CF），以及基于模型的协同过滤（Model-based CF），等。其中基于模型的推荐是一类方法的统称，它指利用系统已有的数据和用户历史行为，学习和构建一个模型，进而利用该模型进行用户偏好建模、预测与个性化推荐，根据具体应用场景和可用数据的不同，这里的模型可以是常用的奇异值分解等矩阵分解模型，也可以是主题模型、人工神经网络、概率图模型、组合优化甚至深度学习等机器学习模型。在下面的部分，我们将在如上几个方面对个性化推荐系统的研究现状进行具体的介绍。 　　关键词：推荐算法；协同过滤；个性化 　　1研究背景 　　随着互联网的迅速发展，个性化推荐系统已经逐渐成为各种网络应用中不可缺少的核心功能，并以各种各样的方式影响着人们日常生活的方方面面：电子商务网站中的购物推荐引擎为用户提供可能感兴趣的商品推荐；社交网络中的好友推荐为用户寻找潜在的好友关注；视频网站中的视频推荐为用户提供最可能点击的视频推荐；新闻门户网站中的内容推荐为用户提供最有信息量的新闻――个性化推荐技术已经是支撑互联网智能的基础技术之一。 　　2国内外现状 　　互联网的快速发展开启了人类活动线上化的进程，越来越多传统上只能在线下完成的任务变得可以方便快捷地在互联网上完成。已经深入人们日常生活中的电子商务就是这一进程的典型代表，例如阿里巴巴、京东商城、亚马逊网络商城等电子商务网站的普及，使得人们不必走出家门即可购买自己所需要的商品，并且可以在更多的备选商品中进行挑选。不仅限于电子商务应用，社交网络平台如新浪微博和Facebook的兴起使得人们可以在互联网上交友、沟通、获取实时资讯；在线叫车服务如滴滴和Uber的发展使得用户不再需要线下街头打车；在线P2P借贷服务如宜信和Prosper使得用户线上借贷和理财成为可能；在线房地产业务如Zillow和Airbnb的发展则使传统的房地产业务逐步线上化；在线自由职业平台如猪八戒网和亚马逊MTurk的迅速发展甚至使得自由职业者在线工作和任务分配成为可能。 　　2.1基于内容的推荐 　　首先收集和标注特征信息并对用户和物品构建内容画像（Profile），例如电影的类型、导演、主演，用户的年龄、性别、内容偏好，等等。在此基础上，基于内容的推荐通过用户画像和物品画像的特征匹配算法进行个性化的推荐。在理论与方法方面，Debnath等研究了特征权重的选取方法及其对推荐效果的影响；Martinez等将语言学模型运用到基于内容的推荐当中，从而允许用户以自然语言描述自身的兴趣爱好并获得个性化的推荐；Blanco和Gemmis等将语义网与基于?热莸耐萍鱿嘟岷希?利用语义网所蕴含的精确的特征关系为用户提供推荐；Noia等进一步将最新的开放连接数据（LinkedOpellData）项目语义网应用于个性化推荐；Zenebe等将模糊集理论应用于用户和物品特征集合的匹配过程从而为用户提供基于内容的推荐；Cramer等则在基于内容的推荐背景下研究了系统透明度对用户信任和接受度的影响。在实际应用方面，Mooney等研究并推出了基于内容的图书推荐系统；Cano推出了基于内容的音乐推荐系统；Basu等研究了社交关系信息在推荐系统中的应用，Cantador等则进一步将基于内容的推荐应用于社会化标签系统（Social Tagging System），从而为用户推荐最可能感兴趣的对象进行标签标注；Chen等研究了基于内容的电子商务系统；Phelan和Kompan等则研究了基于内容的新闻推荐系统。 　　2.2基于协同过滤的推荐 　　基于协同过滤的推荐是推荐系统中广泛使用的推荐技术，与基于内容的方法不同，协同过滤的核心思想在于借助其他用户的历史行为（群体智慧）来为当前用户给出推荐，而不仅仅是考虑当前用户自身的特征偏好。基于协同过滤进行推荐的思想一般认为最早出现在GroupLens的新闻推荐系统中，该工作也就是后来人们所说的基于用户的协同过滤方法，除此之外，该工作也第一次提出了用户物品评分矩阵的补全预测问题，并且这一问题在Herlocker中得到了进一步的形式化，并在Breese中得到了实验验证，影响了推荐系统今后十几年