推薦系統(tǒng)綜述課件

1、推薦系統(tǒng)綜述推薦算法綜述 推薦系統(tǒng)綜述推薦系統(tǒng)目的：推薦系統(tǒng)目的：解決信息過載問題宗旨：宗旨：為用戶快速找到其所需要的信息推薦系統(tǒng)綜述經典的推薦技術經典的推薦技術推薦系統(tǒng)綜述 基于用戶基于項目如果大部分用戶對一些項的評分比較相似,則當前用戶對這些項的評分也比較相似如果一些用戶對某一類項目的打分比較接近，則他們對其它類項目的打分也比較接近。協(xié)同過濾協(xié)同過濾-基于內存基于內存推薦系統(tǒng)綜述協(xié)同過濾協(xié)同過濾-基于內存基于內存表示鄰居用戶形成推薦生成推薦系統(tǒng)綜述開始開始讀入讀入用戶評分用戶評分計算用戶計算用戶相似性相似性根據用戶相根據用戶相似性排序選似性排序選擇前擇前k k個鄰居個鄰居根據根據k k近鄰

2、的近鄰的評分項目預評分項目預測用戶評分測用戶評分選擇預測評分最選擇預測評分最高的前高的前n n個項目個項目作為推薦列表作為推薦列表結束結束協(xié)同過濾協(xié)同過濾-基于內存基于內存 表示 鄰居用戶形成 推薦生成推薦系統(tǒng)綜述 協(xié)同過濾協(xié)同過濾-基于內存基于內存推薦系統(tǒng)綜述 協(xié)同過濾協(xié)同過濾-基于內存基于內存推薦系統(tǒng)綜述協(xié)同過濾協(xié)同過濾-基于內存基于內存 缺點：稀疏性問題冷啟動問題可擴展性問題實時性問題推薦系統(tǒng)綜述協(xié)同過濾協(xié)同過濾-基于模型基于模型實時性問題 可擴展性問題 稀疏性問題推薦系統(tǒng)綜述協(xié)同過濾協(xié)同過濾-基于模型基于模型 將建模技術運用到協(xié)同過濾算法中, 采用一定方法訓練相關歷史數據建立模型,當用

3、戶到達時,只需掃描一遍評分數據庫就能確定目標用戶相對比較喜歡的項目,來實現(xiàn)在線預測推薦。線下：模型建立（數據挖掘技術） 模型具有滯后效應，需要周期性更新 模型建立算法復雜，耗時，必須線下進行線上：推薦 性能的優(yōu)劣關鍵在于好的模型建立與否, 好的模型相對原始數據集而言小得多卻能挖掘出用戶和項目之間更多的潛在關系，一定程度上緩解了推薦算法的實時性問題。推薦系統(tǒng)綜述協(xié)同過濾協(xié)同過濾-基于模型基于模型聚類聚類推薦系統(tǒng)綜述l聚類聚類一個集群一旦形成之后，在這個集群中的其他用戶的觀點可以被加權地用來作為為個人用戶推薦的依據。集群內部的相似性很高，而不同集群間的相似度很低某些聚類算法中，一個用戶可以同時屬于

4、不同的集群，只是所占的比不同，最后的推薦結果通過用戶所占不同集群的權重加權求和來獲得優(yōu)點：聚類技術能夠有效地減少在協(xié)同過濾出算法中的候選集，提高算法效率協(xié)同過濾協(xié)同過濾-基于模型基于模型推薦系統(tǒng)綜述基于內容的推薦基于內容的推薦 項目或對象通過相關特征的屬性來定義,而用戶的興趣通過用戶所評價對象的特征來獲取,依據目標用戶興趣資料與待預測項目的匹配程度進行推薦 在文本信息方面應用最為成功。 news dude、libbr推薦系統(tǒng)綜述推薦系統(tǒng)綜述基于內容的推薦基于內容的推薦優(yōu)點：即使用戶沒有對新加入的項目做出評分，該算法也有能力為用戶做出推薦。如果不同的用戶并不共享他們對于項目的評分信息，基于內容的推薦算法也能應對自如如果用戶的偏好發(fā)生了變化，它能夠在極短的時間內做出調整并完成推薦。給為用戶做出的推薦列表做出合理的解釋推薦系統(tǒng)綜述組合推薦組合推薦 原則：原則：通過組合后應能避免或彌補單獨的推薦技術各自的缺陷。推薦系統(tǒng)綜述組合推薦組合推薦 混合方式混合方式推薦結果混合：多種推薦方法各自產生推薦結果，將推薦結果組合。（投票機制）推薦算法