站长之家html模板,wordpress 编辑器添加自定义按钮,网站建设教程在线,推广普通话的重要意义转载自 常用推荐算法在推荐系统简介中#xff0c;我们给出了推荐系统的一般框架。很明显#xff0c;推荐方法是整个推荐系统中最核心、最关键的部分#xff0c;很大程度上决定了推荐系统性能的优劣。目前#xff0c;主要的推荐方法包括#xff1a;基于内容推荐、协同过滤…转载自 常用推荐算法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-based Recommendation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 Filtering Recommendation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Association Rule-based Recommendation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-based Recommendation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函数因此用户资料模型很大 程度上是由系统所采用的效用函数决定的。基于效用推荐的好处是它能把非产品的属性如提供商的可靠性Vendor Reliability和产品的可得性Product Availability等考虑到效用计算中。考虑使用用户对商品的评论等
五、基于知识推荐基 于知识的推荐Knowledge-based Recommendation在某种程度是可以看成是一种推理Inference技术它不是建立在用户需要和偏好基础上推荐的。基于知识的方法因 它们所用的功能知识不同而有明显区别。效用知识Functional Knowledge是一种关于一个项目如何满足某一特定用户的知识因此能解释需要和推荐的关系所以用户资料可以是任何能支持推理的知识结构它可以 是用户已经规范化的查询也可以是一个更详细的用户需要的表示。考虑利用用户浏览购买搜索建立用户的兴趣集。
六、组合推荐由 于各种推荐方法都有优缺点所以在实际中组合推荐Hybrid Recommendation经常被采用。研究和应用最多的是内容推荐和协同过滤推荐的组合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法 去产生一个推荐预测结果然后用某方法组合其结果。尽管从理论上有很多种推荐组合方法但在某一具体问题中并不见得都有效组合推荐一个最重要原则就是通 过组合后要能避免或弥补各自推荐技术的弱点。
在组合方式上有研究人员提出了七种组合思路1加权Weight加权多种推荐技术结果。2变换Switch根据问题背景和实际情况或要求决定变换采用不同的推荐技术。3混合Mixed同时采用多种推荐技术给出多种推荐结果为用户提供参考。4特征组合Feature combination组合来自不同推荐数据源的特征被另一种推荐算法所采用。5层叠Cascade先用一种推荐技术产生一种粗糙的推荐结果第二种推荐技术在此推荐结果的基础上进一步作出更精确的推荐。6特征扩充Feature augmentation一种技术产生附加的特征信息嵌入到另一种推荐技术的特征输入中。7元级别Meta-level用一种推荐方法产生的模型作为另一种推荐方法的输入。七、主要推荐方法的对比
各种推荐方法都有其各自的优点和缺点见表1。表1 主要推荐方法对比推荐方法优点缺点基于内容推荐推荐结果直观容易解释不需要领域知识稀疏问题新用户问题复杂属性不好处理要有足够数据构造分类器协同过滤推荐新异兴趣发现、不需要领域知识随着时间推移性能提高推荐个性化、自动化程度高能处理复杂的非结构化对象稀疏问题可扩展性问题新用户问题质量取决于历史数据集系统开始时推荐质量差基于规则推荐能发现新兴趣点不要领域知识规则抽取难、耗时产品名同义性问题个性化程度低基于效用推荐无冷开始和稀疏问题对用户偏好变化敏感能考虑非产品特性用户必须输入效用函数推荐是静态的灵活性差属性重叠问题基于知识推荐能把用户需求映射到产品上能考虑非产品属性知识难获得推荐是静态的
