个性化推荐系统.ppt

个性化 推荐系统 概念 发展现状案例 主要算法 存在的问题未来趋势挑战 1 概念 个性化推荐 是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。 个性化推荐系统 是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求，推荐基于:网站最热卖商品、客户所处城市、客户过去的购买行为和购买记录，推测客户将来可能的购买行为。 2 主要算法 基于关联规则的推荐算法 (2)基于内容的推荐算法 (3) 协同过滤推荐算法 基于用户的协同过滤 基于物品的协同过滤 基于关联规则的推荐算法 常用于实体商店或在线电商的推荐系统：通过对顾客的购买记录数据库进行关联规则挖掘，最终目的是发现顾客群体的购买习惯的内在共性，例如购买产品A的同时也连带购买产品B的概率，根据挖掘结果，调整货架的布局陈列、设计促销组合方案，实现销量的提升，最经典的应用案例莫过于啤酒和尿布。 (2) 基于内容的推荐算法 内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。 通过相关特征的属性来定义项目或对象,系统基于用户评价对象的特征学习用户的兴趣,依据用户资料与待预测项目的匹配程度进行推荐，努力向客户推荐与其以前喜欢的产品相似的产品。 · 基于用户基本信息推荐 如：领域、职位、工作年龄、性别、所在地 这个是比较基础的推荐之一，基于用户的基本信息，可以根据他的这些信息给他推荐感兴趣的或者相关的内容。 · 基于物品/内容基本信息推荐 商品的一些显性属性如：类别、品牌、风格、颜色 这也是一种基础的推荐，基于被推荐物的基本信息，或者说是被推荐物的显性属性。 (3) 协同过滤推荐算法（需要通过用户行为来计算出用户或者物品间的相关性） 协同过滤是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似(兴趣)用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。 ·基于用户的协同过滤的基本思想是: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，为当前用户进行物品的推荐。 显然在这个列表中，小张和小明关注的内容更为相似，那么就可以给小张推荐比特币。 协同过滤推荐算法，可进一步细分为基于用户的协同过滤和基于物品的协同过滤。 基于物品的协同过滤的基本原理也类似，该方法根据用户和物品直接历史点击或购买记录，来计算物品和物品之间的相似度，然后根据用户的历史偏好的物品信息，将挖掘到的类似的物品推荐给用户 例：以物为本建立各商品之间的相似度关系矩阵，“用户看了x也会看y”。 小张和小明都不约而同地看了产品经理和Google，这可以说明产品经理和Google有相似，那么之后有看了Google相关内容的用户就可以给推荐产品经理的相关内容。  基于用户和被推荐物推荐不需要特别多的数据，比较适合应用在冷启动阶段。   每个算法的存在基本都是以产品功能、形态导向(比如新闻、电商、金融产品在推荐中主体、时效、风险等因素均差异很大，需要使用不同算法)，并且以某个算法主导，并辅之以其它算法(来解决主算法的不足，或优化主算法)，如冷启动、商品深度、零结果率等问题。 协同过滤算法的优势和不足 3 发展现状案例 随着信息时代的深入发展和互联网经济的日益兴起,信息量的规模以超乎想象的方式迅速增加,而日益增多的信息慢慢地将人们层层环绕,企图将人们淹没于信息的汪洋大海中。 不过,顺应时势而生的个性化推荐系统将解救人们于信息世界的困惑中,使人们能够按照自己的意愿和需求选择自己想要的信息和其他东西。 个性化推荐算法是个性化推荐系统的灵魂,它是实施个性化推荐的关键要素和重要保证。 案例：AR技术+“算法”让“试衣魔镜”帮你选衣服  往“魔镜”前面一站，身高、胸围、腰围等尺寸就在镜子上显示出来。接着，试衣镜就呈现出了和使用者性别、三围相匹配的所有衣服，点中一款衣服，衣服就“套”在了镜子里的自己身上，使用者可以面对面看到衣服“穿”在身上的效果。当使用者活动胳膊、抬腿试试时，镜子里的“自己”也跟着动，“穿”在身上的衣服是否合身一目了然。 “魔镜上面有摄像头，使用了最先进的AR技术，可以精确了解顾