電子商務推薦系統(tǒng)介紹課件

電子商務推薦系統(tǒng)介紹報告人：3/9/2023提綱電子商務推薦系統(tǒng)簡介電子商務推薦系統(tǒng)技術介紹基于關聯(lián)規(guī)則的推薦算法基于最近鄰居的協(xié)同過濾算法基于項目的協(xié)同過濾算法3/9/2023電子商務推薦系統(tǒng)簡介Harvard商學院的JoePing在大規(guī)模定制一文中認為現(xiàn)代企業(yè)應該從大規(guī)模生產(chǎn)(以標準化的產(chǎn)品和均勻的市場為特征)向大規(guī)模定制(為不同客戶的不同需求提供不同的商品)轉化電子商務推薦系統(tǒng)(RecommendationSystem)向客戶提供商品信息和建議，模擬銷售人員幫助客戶完成購買過程3/9/2023電子商務推薦系統(tǒng)簡介電子商務推薦系統(tǒng)的界面表現(xiàn)形式分類：Browsing：客戶提出對特定商品的查詢要求，推薦系統(tǒng)根據(jù)查詢要求返回高質量的推薦SimilarItem：推薦系統(tǒng)根據(jù)客戶購物籃中的商品和客戶可能感興趣的商品推薦類似的商品Email：推薦系統(tǒng)通過電子郵件的方式通知客戶可能感興趣的商品信息TextComments：推薦系統(tǒng)向客戶提供其他客戶對相應產(chǎn)品的評論信息3/9/2023電子商務推薦系統(tǒng)簡介電子商務推薦系統(tǒng)的界面表現(xiàn)形式分類(續(xù))：AverageRating：推薦系統(tǒng)向客戶提供其他客戶對相應產(chǎn)品的等級評價Top-N：推薦系統(tǒng)根據(jù)客戶的喜好向客戶推薦最可能吸引客戶的N件產(chǎn)品OrderedSearchResults：推薦系統(tǒng)列出所有的搜索結果，并將搜索結果按照客戶的興趣降序排列3/9/2023電子商務推薦系統(tǒng)簡介電子商務推薦系統(tǒng)的輸入：客戶輸入(TargetedCustomerInputs)隱式瀏覽輸入(Implicitnavigation)：客戶的瀏覽行為作為推薦系統(tǒng)的輸入，但客戶并不知道這一點顯式瀏覽輸入(Explicitnavigation)：客戶的瀏覽行為是有目的向推薦系統(tǒng)提供自己的喜好關鍵詞和項目屬性輸入(KeywordsandItemattributes)：客戶輸入關鍵詞或項目的有關屬性以得到推薦系統(tǒng)有價值的推薦用戶購買歷史(Purchasehistory)：用戶過去的購買紀錄3/9/2023電子商務推薦系統(tǒng)簡介電子商務推薦系統(tǒng)的輸出：建議(Suggestion)單個建議(SingleItem)未排序建議列表(UnorderedList)排序建議列表(OrderedList)預言(Prediction)：系統(tǒng)對給定項目的總體評分個體評分(IndividualRating)：輸出其他客戶對商品的個體評分評論(Review)：輸出其他客戶對商品的文本評價3/9/2023電子商務推薦系統(tǒng)簡介推薦技術分類標準：自動化程度(DegreeofAutomation)：客戶為了得到推薦系統(tǒng)的推薦是否需要顯式的輸入信息持久性程度(DegreeofPersistence)：推薦系統(tǒng)產(chǎn)生推薦是基于客戶當前的單個會話(Session)還是基于客戶的多個會話3/9/2023電子商務推薦系統(tǒng)簡介推薦技術分類Non-PersonalizedRecommendation：推薦系統(tǒng)的推薦主要基于其他客戶對該產(chǎn)品的平均評價，這種推薦系統(tǒng)獨立于客戶，所有的客戶得到的推薦都是相同的(自動，瞬時)Attributed-BasedRecommendation：推薦系統(tǒng)的推薦主要基于產(chǎn)品的屬性特征(手工)Item-to-ItemCorrelation：推薦系統(tǒng)根據(jù)客戶感興趣的產(chǎn)品推薦相關的產(chǎn)品(瞬時)People-to-PeopleCorrelation：，又稱協(xié)同過濾，推薦系統(tǒng)根據(jù)客戶與其他已經(jīng)購買了商品的客戶之間的相關性進行推薦(自動，持久)3/9/2023電子商務推薦系統(tǒng)技術介紹電子商務推薦系統(tǒng)使用的技術主要有：Bayesian網(wǎng)絡(BayesianNetwork)關聯(lián)規(guī)則(AssociationRules)聚類(Clustering)Horting圖(HortingGraph)協(xié)同過濾技術(CollaborativeFiltering)3/9/2023電子商務推薦系統(tǒng)技術介紹電子商務推薦系統(tǒng)中的Bayesian網(wǎng)絡技術利用訓練集創(chuàng)建相應的模型，模型用決策樹表示，節(jié)點和邊表示客戶信息。模型的建立可以離線進行，一般需要數(shù)小時或數(shù)天，得到的模型非常小，對模型的使用非常快這種方法適合客戶的興趣愛好變化比較慢的場合推薦精度和最近鄰技術差不多3/9/2023電子商務推薦系統(tǒng)技術介紹電子商務推薦系統(tǒng)中的關聯(lián)規(guī)則技術根據(jù)關聯(lián)規(guī)則發(fā)現(xiàn)算法和客戶當前的購買行為向用戶產(chǎn)生推薦關聯(lián)規(guī)則的發(fā)現(xiàn)也可以離線進行推薦精度比最近鄰技術略差具體介紹見第三節(jié)3/9/2023電子商務推薦系統(tǒng)技術介紹電子商務推薦系統(tǒng)中的Horting圖技術是一種基于圖的方法，節(jié)點代表客戶，邊代表兩個客戶之間的相似度。在圖中尋找近鄰節(jié)點，然后綜合近鄰節(jié)點的觀點形成最后的推薦Horting圖技術可以跳過中間節(jié)點尋找最近鄰居，考慮了節(jié)點之間的傳遞相似關系推薦精度優(yōu)于最近鄰技術3/9/2023電子商務推薦系統(tǒng)技術介紹電子商務推薦系統(tǒng)中的協(xié)同過濾技術一般采用最近鄰技術，利用客戶的歷史喜好信息計算客戶之間的距離，目標客戶對特定商品的喜好程度由其最近鄰居對商品評價的加權平均值來計算可以處理客戶數(shù)據(jù)變化比較快的情況在大型數(shù)據(jù)庫中搜索最近鄰居非常耗時，實時性不好3/9/2023電子商務推薦系統(tǒng)技術介紹協(xié)同過濾算法的主要挑戰(zhàn)：算法的適應能力：處理大規(guī)模的數(shù)據(jù)推薦精度，使用如下兩個指標來度量：Falsenegatives：客戶喜歡但推薦系統(tǒng)并沒有推薦的商品Falsepositive：推薦系統(tǒng)推薦但客戶并不喜歡的商品3/9/2023基于關聯(lián)規(guī)則的推薦算法算法過程：使用關聯(lián)規(guī)則發(fā)現(xiàn)算法找出所有滿足最小支持度和最小置信度的關聯(lián)規(guī)則R找出R中所有被客戶支持的關聯(lián)規(guī)則R1，即關聯(lián)規(guī)則左邊的所有商品都被客戶購買找出被關聯(lián)規(guī)則R1所預測并且沒有被客戶所購買的所有商品P根據(jù)P中商品在關聯(lián)規(guī)則R1中的置信度排序，如果某商品被多個規(guī)則預測，則取置信度最大者作為排序依據(jù)，挑選前N個商品作為算法輸出3/9/2023基于關聯(lián)規(guī)則的推薦算法算法分析：第一步關聯(lián)規(guī)則的發(fā)現(xiàn)最耗時，是算法的瓶頸，但可以離線進行實時性比較好，因為后三步不會太耗時3/9/2023基于最近鄰居的協(xié)同過濾算法基本思想：使用統(tǒng)計技術尋找與目標客戶有相同喜好的鄰居；然后根據(jù)目標客戶多個鄰居的觀點產(chǎn)生向目標客戶的推薦3/9/2023基于最近鄰居的協(xié)同過濾算法表示階段：用m*n階客戶-商品矩陣表示Ri,j=1，如果第i個客戶購買了第j件商品Ri,j=0，如果第i個客戶沒有購買第j件商品3/9/2023基于最近鄰居的協(xié)同過濾算法上述表示稱為原始表示(OriginalRepresentation)，這種表示的主要問題有：稀疏性(Sparsity)：大部分的客戶購買的商品不到全部商品的1%，從而使得推薦精度很低適應性(Scalability)：計算代價隨著客戶數(shù)目和商品數(shù)目的增加而增加，很難滿足實時性要求同義詞問題(Synonymy)：同一類商品的名字不一樣3/9/2023基于最近鄰居的協(xié)同過濾算法相似性度量方法：相關性(Correlation)：使用Pearson相關系數(shù)表示余弦相似性(Cosine)：將客戶a和客戶b看作兩個向量，客戶之間的相似性通過向量之間的于弦夾角來表示3/9/2023基于最近鄰居的協(xié)同過濾算法推薦產(chǎn)生階段：由目標客戶的鄰居產(chǎn)生N件商品推薦，可以采用如下兩種不同方法產(chǎn)生推薦最頻繁項目推薦(Most-frequentItemRecommendation)：掃描目標客戶每一個鄰居的購買數(shù)據(jù)，對其購買的商品進行計數(shù)，選擇出現(xiàn)頻率最高且目標客戶沒有購買的前N件商品最為推薦結果基于關聯(lián)的推薦(AssociationRule-basedRecommendation)：類似于前面介紹的基于關聯(lián)規(guī)則的推薦算法，只是將目標客戶的鄰居作為算法的輸入3/9/2023基于項目的協(xié)同過濾算法基本思路：根據(jù)目標客戶已經(jīng)評價過的項目與目標項目的相似性，選擇k個最相似的項目{i1,i2,……,ik}，同時得到k個最相似的項目與目標項目的相似度，記為{si1,si2,……,sik}，然后將目標客戶對這k個最相似的項目的評分及這k個最相似的項目與目標項目的相似度的加權平均值作為對目標項目的評分3/9/2023基于項目的協(xié)同過濾算法本算法主要分兩步：項目相似性計算產(chǎn)生推薦3/9/2023基于項目的協(xié)同過濾算法計算項目i和j之間的相似性：從所有的用戶中分離出同時對項目i和項目j進行評價的用戶根據(jù)上面得到的數(shù)據(jù)計算項目i和項目j的相似性3/9/2023基于項目的協(xié)同過濾算法相似性度量跟基于最近鄰技術的協(xié)同推薦系統(tǒng)類似：基于相關性的相似性(Correlation-basedSimilarity)：Pearson相關系數(shù)基于余弦的相似性(Cosine-basedSimilarity)3/9/2023基