《推薦系統(tǒng)技術(shù)》

1、推薦系統(tǒng)作者：苗原聯(lián)系方式：編輯ppt目標(biāo) 推薦系統(tǒng)的意義 基于內(nèi)容推薦 協(xié)同過濾推薦 頻繁模式挖掘 標(biāo)簽系統(tǒng) 推薦結(jié)果評價編輯ppt推薦系統(tǒng)的意義 隨著信息技術(shù)的迅速發(fā)展和信息內(nèi)容的日益增長，“信息過載”問題愈來愈嚴(yán)重，愈發(fā)帶來很大的信息負(fù)擔(dān)。 施拉姆施拉姆信息選擇公式信息選擇公式，人們對媒體的注意或選擇的可能性（然率）與它能夠提供的報償（價值）程度成正比，與人們獲得它的代價（費力）程度成反比。 人們愿意用最小的代價獲取價值最大的新聞信息。人們愿意用最小的代價獲取價值最大的新聞信息。編輯ppt推薦系統(tǒng)的意義 在互聯(lián)網(wǎng)時代由于網(wǎng)絡(luò)技術(shù)能以很低的成本讓人們?nèi)カ@得更多的信息和選擇，事 實上，每一個

2、人的品味和偏好都并非和主流人群完全一致，當(dāng)我們發(fā)現(xiàn)得越多，我們就越能體會到我們需要更多的選擇。如果說搜索引擎體現(xiàn)著馬 太效應(yīng)的話，那么長尾理論則闡述了推薦系統(tǒng)發(fā)揮的價值。編輯ppt推薦系統(tǒng)的意義編輯ppt基于內(nèi)容推薦信息來源： 物品基本信息 用戶的基本信息 用戶和物品之間的信息編輯ppt基于內(nèi)容推薦（人口統(tǒng)計學(xué)的推薦）基于人口統(tǒng)計學(xué)的推薦思想：根據(jù)系統(tǒng)用戶的基本信息發(fā)現(xiàn)用戶的相關(guān)程度，然后將相似用戶喜愛的其他物品推薦給當(dāng)前用戶編輯ppt基于內(nèi)容推薦（人口統(tǒng)計學(xué)的推薦）A用戶基本信息：年齡25-30歲，性別：女年齡分：0-10 10-25 25-30 30-35 35-60 60-B用戶基本信息

3、：年齡30-35歲，性別：男C用戶基本信息：年齡25-30歲，性別：女性別：男 女a(chǎn)(3,1)b(4,0)c(3,1)編輯ppt基于內(nèi)容推薦（人口統(tǒng)計學(xué)的推薦）余弦相似性編輯ppt基于內(nèi)容推薦（人口統(tǒng)計學(xué)的推薦）優(yōu)缺點：（1）由于不使用當(dāng)前用戶對物品的喜好歷史數(shù)據(jù)，所以對于新用戶來講沒有“冷啟動”的問題；（2）可能涉及到一些與信息發(fā)現(xiàn)問題本身無關(guān)卻比較敏感的信息，比如用戶的年齡等，這些用戶信息不是很好獲?。痪庉媝pt基于內(nèi)容推薦（物品內(nèi)容推薦）系統(tǒng)首先對物品的屬性進行建模，圖中用類型作為屬性。通過 相似度計算，發(fā)現(xiàn)電影A和C相似度較高，因為他們都屬于愛情類。系統(tǒng)還會發(fā)現(xiàn)用戶A喜歡電影A，由此得

4、出結(jié)論，用戶A很可能對電影C也感興趣。于是將電影 C推薦給A。編輯ppt基于內(nèi)容推薦（物品內(nèi)容推薦）物品相似度計算方法物品相似度計算方法： 基于物品基本信息 基于語義特征編輯ppt基于內(nèi)容推薦（物品內(nèi)容推薦）TF-IDF算法：自動提取關(guān)鍵詞算法：自動提取關(guān)鍵詞如果如果某個詞比較少見，但是它在這篇文章中多次出現(xiàn)，那么它很可能就反映某個詞比較少見，但是它在這篇文章中多次出現(xiàn)，那么它很可能就反映了這篇文章的特性，正是我們所需要的關(guān)鍵詞。了這篇文章的特性，正是我們所需要的關(guān)鍵詞。編輯ppt基于內(nèi)容推薦（物品內(nèi)容推薦）優(yōu)缺點優(yōu)缺點：能能很好的建模用戶的口味，能提供更加精確的推薦很好的建模用戶的口味，能提

5、供更加精確的推薦；物品物品相似度的分析僅僅依賴于物品本身的特征，這里沒有考慮人對物品的態(tài)度相似度的分析僅僅依賴于物品本身的特征，這里沒有考慮人對物品的態(tài)度；因為因為需要基于用戶以往的喜好歷史做出推薦，所以對于新用戶有需要基于用戶以往的喜好歷史做出推薦，所以對于新用戶有“冷啟動冷啟動”的的問題；問題；編輯ppt基于協(xié)同過濾推薦 基于用戶的協(xié)同過濾（user-based CF） 基于商品的協(xié)同過濾（item-based CF）信息來源： 用戶和物品之間的信息編輯ppt基于協(xié)同過濾推薦（ user-based CF ） 思想：根據(jù)所有用戶對物品或者信息的偏好，發(fā)現(xiàn)與當(dāng)前用戶口味和偏好相似的“鄰居”用

6、戶群，為當(dāng)前戶進行推薦；編輯ppt基于協(xié)同過濾推薦（ item-based CF ） 思想：使用所有用戶對物品或者信息的偏好，發(fā)現(xiàn)物品和物品之間的相似度，然后根據(jù)用戶的歷史偏好信息，將類似的物品推薦給用戶；編輯ppt基于協(xié)同過濾推薦（ item-based CF ）考慮到大多數(shù)電商網(wǎng)站多人多熱門商品要遠少于人數(shù)，一般會選擇基于物品的協(xié)同過濾算法。編輯ppt基于協(xié)同過濾推薦編輯ppt基于協(xié)同過濾推薦優(yōu)缺點優(yōu)缺點： 不需要考慮物品內(nèi)容和人口屬性，需要歷史記錄。 由于需要用戶的歷史偏好，所以存在新用戶的“冷啟動”問題；編輯ppt頻繁模式挖掘 關(guān)聯(lián)規(guī)則挖掘的典型案例： 購物籃問題 在商場中擁有大量的商

7、品（項目），如：牛奶、面包等，客戶將所購買的商品放入到自己的購物籃中。 編輯ppt頻繁模式挖掘（支持度與置信度支持度與置信度 ）關(guān)聯(lián)關(guān)聯(lián)規(guī)則的規(guī)則的支持度支持度 如果交易數(shù)據(jù)庫D中s的交易包含AB，則稱規(guī)則A =B在事務(wù)集D上的支持度為s。Support(A=B)=P(AB) 關(guān)聯(lián)關(guān)聯(lián)規(guī)則的規(guī)則的置信度置信度 如果交易數(shù)據(jù)庫D中，包含A的交易中有c(%)的交易同時也包含B，稱規(guī)則的置信度為c。（條件概率）Confidence (A =B)=P(B|A) =support(A = B)/support(A)（注：這里的U是指在交易中同時出現(xiàn)A和B） 編輯ppt頻繁模式挖掘查找所有的規(guī)則 A=C

8、具有最小支持度和可信度 支持度 , s , 一次交易中包含 A 、 C 的可能性 置信度 , c, 包含 A 的交易中也包含 C 的條件概率 編輯ppt頻繁模式挖掘rule A=C : support = support( A C ) = 50% confidence = support( A C )/support( A ) = 66.7% rule C =A (50%, 100%) 編輯ppt頻繁模式挖掘（頻繁項集 ）項集 (Itemset): a set of items 例如 acm=a, c, m , sup=3 頻繁項集（高頻項集） 如果項集滿足最小支持度，則稱之為頻繁項集 如果

9、min_sup = 3, 則 acm 是頻繁項集 如果頻繁項集中包含 K 個項，則稱為頻繁 K 項集 編輯ppt頻繁模式挖掘（Apriori算法 ）尋找最大頻繁集逐層搜索的迭代方法。 用k-項集探求(k+1)-項集。 具體地： 首先找出頻繁1-項集，該集合記為L 用L找出頻繁2-項集的集合L 如此繼續(xù)下去，直到找到最大頻繁項集 該方法，主要有連接和剪枝兩步構(gòu)成。 編輯ppt標(biāo)簽系統(tǒng)編輯ppt標(biāo)簽系統(tǒng) 表明物品是什么 比如是一只鳥，就會有“鳥”這個詞的標(biāo)簽 表明物品的種類 比如在Delicious的書簽中，表示一個網(wǎng)頁類別的標(biāo)簽包括 article（文章）、blog（博客）、 book（圖書）等。 表明誰擁有物品 比如很多博客的標(biāo)簽中會包括博客的作者等信息。 表達用戶的觀點 比如用戶認(rèn)為網(wǎng)頁很有趣，就會打上標(biāo)簽funny（有趣），認(rèn)為很無聊，就會打上標(biāo)簽boring（無聊）。 用戶相關(guān)的標(biāo)簽 比如 my favorite（我最喜歡的）、my comment（我的評論）等。 用戶的任務(wù) 比如 to read（即將閱讀）、job search（找工作）編輯ppt基于標(biāo)簽系統(tǒng)的推薦編輯ppt標(biāo)簽系統(tǒng) KNN聚類算法編輯ppt標(biāo)簽系統(tǒng) 主題模型算法編輯ppt標(biāo)簽系統(tǒng) 用戶畫像用戶畫像的核心工作是為用戶打標(biāo)簽，打標(biāo)簽的重要目的之一是為了讓人能夠理解并且方便計算機處理。