智能推荐系统的开发与应用.pdf

  1. 1、本文档共38页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
博士 陈运文 智能推荐系统的开发与应用智能推荐系统的开发与应用 智能推荐系统的开发与应用 智能推荐系统的开发与应用 结和展望总 • 响推荐的其他因素影 • 荐系统架构推 • 据预处理数 – 启动冷 – 地域&间时 – 关系NSS – 式反馈的使用隐 – 能推荐系统开发实践智 • 用推荐算法和适用场景常 • 智能推荐系统概述 • 内容提纲 智能推荐系统概述 • 智能推荐系统的目标: –让用户更容易的发现其所感兴趣的信息,让信息更便捷的传达给 其所适合的用户 • 面临的现状和待解决的问题 –信息过载(information overload) –用户有越来越强的信息过滤(filter)需求 –用户口味的个性化 –用户兴趣变化的及时捕捉 智能推荐系统概述 • 用户对智能推荐的需求很强烈 智能推荐系统概述 • 对比搜索系统 –当用户明确知道想要什么时,他搜索 –当户不太明确需求时,他需要推荐 • 对比广告系统 –计算广告目标是直接提高收益 –推荐系统在满足用户体验的基础上,间接创造收入 • 推荐系统的很多技术和搜索、广告相通 –Learning-to-rank –pCTR 推荐系统的研究对象 • item –商品,视频,音乐,新闻,小说,游戏,Apps … –user … • user –基础属性(demographic) –社交关系 … • user-item关系 –显式反馈(explicit feedbacks) –隐式反馈(implicit feedbacks) • user-user关系 –显式关系(explicit relations) –隐式关系(implicit relations) 常见的推荐场景 为user推荐user 为item推荐item 为user推荐item 智能推荐的充分运用 • Recommendation in LinkedIn • 1.75+ users • 30+ kind of recommender • 50+% connections • 50+% job applications 常用推荐算法 • Memory-based –Item-based collaborative filtering –User-based collaborative filtering –Association rule … • Model-based –Graph-based model (Random Walk) –Latent factor models (SVD/SVD++,pLSA) … • Content-based –item/user profiles –Category –tag/keywords 推荐相关的一些算法 • Ensemble Models –Logistic Regression (LR)

文档评论(0)

xingyuxiaxiang + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档