商务智能原理与方法（第三版） 课件 ch17 智能推荐.pptx

智能推荐普通高等教育“十一五”国家级规划教材商务智能原理与方法（第三版）第十七章

01信息推荐方法

在电子商务领域中，推荐系统是指建立在对海量的用户信息、产品信息及用户对产品的偏好反馈信息(如点击、浏览、购买和评分等)挖掘基础上的一种商务智能技术，能够迅速准确地帮助消费者找到喜欢和感兴趣的商品。信息推荐方法推荐系统概述

基于内容的推荐方法协同过滤方法混合推荐方法推荐系统概述信息推荐方法

基于内容的推荐方法是指充分利用用户和商品的各种属性特征(如电影的上映时间、演员和题材等，用户的年龄、性别和地理位置等),分析其内容相似度，然后将最相似的商品推荐给用户。协同过滤方法是推荐方法中最经典的方法之一，主要使用用户与系统交互而形成的反馈数据完成推荐，包括显性反馈(ExplicitFeedback)行为和隐性反馈(ImplicitFeedback)行为。具体的混合方法主要包括加权型混合推荐方法(将来自不同推荐方法生成的候选结果进一步组合加权)、转换型混合方法(采取一定的标准在不同的推荐方法之间变换，以达到更高的预测准确率)、瀑布型混合推荐方法(将不同的推荐方法视为不同粒度的过滤器，前一个方法的输出结果作为后一个方法的输入内容)等。信息推荐方法推荐系统概述

物联网是一个由相互连接的智能设备和传感器组成的系统网络，这些微型智能设备和传感器实时采集需要监控的物体或过程信息，并将收集到的数据用于进一步的存储、处理和分析。1.基于邻域的推荐方法基于邻域的推荐方法主要是根据消费者的历史行为数据(如购买历史、关注和收藏行为及打分等)分析用户间或者物品(如书、电影、音乐、食品、衣物和软件等各种网上商品及服务)间的相似性，从而形成推荐信息。信息推荐方法协同过滤推荐方法衡量一个推荐系统质量最重要的指标，是用来度量一个推荐方法预测用户行为的能力，一般通过离线实验来计算。1.预测准确率描述了推荐结果中商品两两之间的不相似性，以覆盖用户多个方面的兴趣点，增加用户找到感兴趣产品的概率。3.多样性是内容提供商较为关注的指标，描述了一个推荐系统对网站平台上长尾商品的挖掘能力。2.覆盖率若用户没有听说过推荐列表中的大部分物品，则说明该推荐系统的新颖性较好。4.新颖性和惊喜度信息推荐方法推荐系统评测指标

惊喜度与新颖性的区别在于：如果推荐结果与用户的历史兴趣不相似但让用户很满意，就可以说这是一个让用户惊喜的推荐，而推荐的新颖性只取决于用户是否听说过这个推荐结果。目前还没有公认的惊喜度指标定义方式，一般是定性地通过推荐结果与用户历史兴趣的相似度和用户满意度来衡量，具体可参见文献。信息推荐方法推荐系统评测指标

1.消费者网上产品选择过程随着搜索引擎和推荐方法的广泛应用，在线购物平台能够根据消费者以往的购物经历或针对当前的搜索请求提供相应的产品列表。信息推荐方法2.预测性推荐针对上述消费者网上产品选择过程中的两个方面的问题，向消费者提供关于考虑概率的预测性推荐，以及提供继续浏览产品的收益增益的预测性推荐很有意义。相关预测性推荐方法包括消费者产品考虑概率预测和消费者信息搜索价值增益预测两种。消费者信息搜索过程中的推荐

02多模态信息推荐

线上信息服务过程中，消费者可以接收图片、评论文本等多种多样的数据资源，在获取更丰富信息的同时，也意味着需要面临更严重的信息过载问题。为了缓解这一矛盾，推荐系统需要接纳和整合多源异构的信息资源，从多个感知层面刻画消费者偏好，帮助消费者进行商品搜索和决策，为其提供个性化的推荐服务。多模态信息推荐

2.非结构化文本处理对于非结构化文本，Deep-MINE针对每个商品进行词袋表征，并设计一个4层栈式自编码网络，通过逐层降维获得其潜在表征。1.图像表示商品图像为消费者提供视觉线索，降低感知风险。在过去的几年里，深度学习技术的进步使人们可以对图像内容进行更深入的分析。多模态信息推荐多模态信息表征

从认知风格的维度来看，不同消费者在信息处理上可能存在着异质性，即一些消费者可能更重视图像，另一些消费者可能更关注文本。认知风格往往是在实验室中通过对参与者调查获得。然而真实网络购物环境中通常有数十万消费者，通过实验方法来准确评估所有消费者的认知风格是极其困难的。因此，Deep-MINE在多视图信息整合操作中以数据驱动的方式学习消费者的认知风格，即在模型架构中增加了一个认知层。多模态信息推荐多视图信息整合

多模态信息推荐多视图信息整合

03序列推荐

序列推荐一般存在预定义的全局假设，即消费者的决策序列之间具有交互影响。然而，基于现实观察可以发现，这样的交互作用存在一定的不确定性，甚至不一定呈现序列上直接的先后顺序。