主要的推荐算法简介.pdfVIP

在推荐系统简介中，我们给出了推荐系统的一般框架。很明显，推荐方法是整个 推荐系统中最核心、最关键的部分，很大程度上决定了推荐系统性能的优劣。目 前，主要的推荐方法包括：基于内容推荐、协同过滤推荐、基于关联规则推荐、 基于效用推荐、基于知识推荐和组合推荐。 一、基于内容推荐 基于内容的推荐 （Content-basedRecommendation）是信息过滤技术的延续与发 展，它是建立在项目的内容信息上作出推荐的， 而不需要依据用户对项目的评 价意见，更多地需要用机器学习的方法从关于内容的特征描述的事例中得到用户 的兴趣资料。在基于内容的推荐系统中，项目或对象是 通过相关的特征的属性 来定义，系统基于用户评价对象的特征，学习用户的兴趣，考察用户资料与待预 测项目的相匹配程度。用户的资料模型取决于所用学习方法，常用的有决策树、 神经网络和基于向量的表示方法等。基于内容的用户资料是需要有用户的历史数 据，用户资料模型可能随着用户的偏好改变而发生变化。 基于内容推荐方法的优点是：  1）不需要其它用户的数据，没有冷开始问题和稀疏问题。  2）能为具有特殊兴趣爱好的用户进行推荐。  3）能推荐新的或不是很流行的项目，没有新项目问题。  4）通过列出推荐项目的内容特征，可以解释为什么推荐那些项目。  5）已有比较好的技术，如关于分类学习方面的技术已相当成熟。 缺点是要求内容能容易抽取成有意义的特征，要求特征内容有良好的结构性，并 且用户的口味必须能够用内容特征形式来表达，不能显式地得到其它用户的判断 情况。 二、协同过滤推荐 协同过滤推荐 （Collaborative FilteringRecommendation）技术是推荐系统中 应用最早和最为成功的技术之一。它一般采用最近邻技术，利用用户的历史喜好 信息计算用 户之间的距离，然后利用目标用户的最近邻居用户对商品评价的加 权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来 对目标用户进行推 荐。协同过滤最大优点是对推荐对象没有特殊的要求，能处 理非结构化的复杂对象，如音乐、电影。 协同过滤是基于这样的假设：为一用户找到他真正感兴趣的内容的好方法是首先 找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用 户。 其基本思想非常易于理解，在日常生活中，我们往往会利用好朋友的推荐来进行 一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来，基于其他用 户对某一内容的评价来向目标用户进行推荐。 基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的，而且是自动 的，即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要用户 努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。 和基于内容的过滤方法相比，协同过滤具有如下的优点： 1） 能够过滤难以进行机器自动内容分析的信息，如艺术品，音乐等。 2）共享其他人的经验，避免了内容分析的不完全和不精确，并且能够基于一些 复杂的，难以表述的概念 （如信息质量、个人品味）进行过滤。 3）有推荐新信息的能力。可以发现内容上完全不相似的信息，用户对推荐信息 的内容事先是预料不到的。这也是协同过滤和基于内容的过滤一个较大的差别， 基于内容的过滤推荐很多都是用户本来就熟悉的内容，而协同过滤可以发现用户 潜在的但自己尚未发现的兴趣偏好。 4） 能够有效的使用其他相似用户的反馈信息，较少用户的反馈量，加快个性 化学习的速度。 虽然协同过滤作为一种典型的推荐技术有其相当的应用，但协同过滤仍有许多的 问题需要解决。最典型的问题有稀疏问题 （Sparsity）和可扩展问题 （Scalability）。 三、基于关联规则推荐 基于关联规则的推荐 （AssociationRule-basedRecommendation）是以关联规则 为基础，把已购商品作为规则头，规则体为推荐对象。关联规则挖掘可以发现不 同商品在销售 过程中的相关性，在零售业中已经得到了成功的应用。管理规则 就是在一个交易数据库中统计购买了商品集X 的交易中有多大比例的交易同时 购买了商品集Y，其直 观的意义就是用户在购买某些商品的时候有多大倾向去 购买另外一些商品。比如购买牛奶的同时很多人会同时购买面包。 算法的第一步关联规则的发现最为关键且最耗时，是算法的瓶颈，但可以离线进 行。其次，商品名称的同义性问题也是关联规则的一个难点。 四、基于效用推荐 基于效用的推荐 （Utility-basedRecommendation）是建立在对用户使用项目的 效用情况上计算的，其核心问题是怎么样为每一 个用户去创建一个效用