人工智能基礎(chǔ)與應(yīng)用（第2版）（微課版）課件 6-1 認(rèn)識個性化推

6-1認(rèn)識個性化推薦模塊?個性化推薦：主動滿足你的需求目錄CONTENTS個性化推薦的思路01推薦算法分類02推薦效果評估03一.個性化推薦的思路1.基于的事實(shí)認(rèn)知人們更喜歡那些與自己喜歡的東西相似的物品、傾向于與和自己趣味相投的人有相似的愛好，或者不同的客戶群體有固定的購物習(xí)慣等。個性化推薦的實(shí)現(xiàn)過程：一.個性化推薦的思路2.推薦系統(tǒng)的兩個特性特征主動化個性化推薦系統(tǒng)應(yīng)用領(lǐng)域二.推薦算法分類1.協(xié)同過濾推薦算法基本思想：給用戶推薦和他興趣相似的用戶感興趣的物品。當(dāng)需要為用戶A推薦時，首先找到和A興趣相似的用戶集合（用U表示），然后把集合U中所有用戶感興趣而A沒有聽說過（未進(jìn)行過操作）的物品推薦給A。1.基于用戶的協(xié)同過濾推薦算法：算法步驟：1.計算用戶之間的相似度，選取最相似的N個用戶構(gòu)成用戶集合。2.找到集合中用戶喜歡但目標(biāo)用戶沒有用過的物品，將其推薦給目標(biāo)用戶。二.推薦算法分類1.協(xié)同過濾推薦算法皮爾遜相關(guān)系數(shù)：P余弦向量相似度:相似度計算：二.推薦算法分類1.協(xié)同過濾推薦算法基于用戶協(xié)同過濾推薦示例：二.推薦算法分類1.協(xié)同過濾推薦算法2.基于物品的協(xié)同過濾推薦算法：基本思想：給用戶推薦與他們以前喜歡的物品相似的物品。這里所說的相似并非從物品的角度出發(fā)，而是基于一種假設(shè)：喜歡物品A的用戶大多也喜歡物品B，代表著物品A和物品B相似。算法步驟：1.計算物品之間的相似度。2.針對目標(biāo)用戶u，找到和用戶感興趣的物品最相似的物品集合，然后根據(jù)其感興趣程度由高到低確定N個物品并推薦給用戶u。二.推薦算法分類1.協(xié)同過濾推薦算法2.基于物品的協(xié)同過濾推薦算法：物品相似度計算用戶u對可能感興趣的物品j的興趣度二.推薦算法分類1.協(xié)同過濾推薦算法2.基于物品的協(xié)同過濾推薦算法：基于物品的協(xié)同過濾推薦示例二.推薦算法分類2.

基于內(nèi)容推薦算法基本思想：向用戶推薦與其感興趣的內(nèi)容相似的物品，如用戶喜歡勵志類電影，那么系統(tǒng)會直接他推薦《阿甘正傳》這部電影。這個過程綜合考慮了用戶興趣和電影內(nèi)容，因此不需要提供用戶的歷史行為數(shù)據(jù)，這能夠很好地解決新用戶的“冷啟動”問題。算法步驟：1.為每個物品（Item）構(gòu)建一個物品的特征。2.為每個用戶（User）構(gòu)建一個用戶的喜好特征。3.計算用戶喜好特征與物品特征的相似度，向用戶推薦相似度最高的物品。二.推薦算法分類3.關(guān)聯(lián)規(guī)則推薦算法基本原理：基于物品之間的關(guān)聯(lián)性，通過對用戶的購買記錄進(jìn)行規(guī)則挖掘，發(fā)現(xiàn)不同用戶群體之間共同的購買習(xí)慣，從而實(shí)現(xiàn)用戶群體的興趣建模和物品推薦。概念：項(xiàng)集而項(xiàng)集是指總項(xiàng)集中所有不同項(xiàng)目分別組合形成的集合，如{牛奶}、{牛奶,面包}、{牛奶,尿不濕,啤酒}等。項(xiàng)目數(shù)為k的項(xiàng)集稱為k-項(xiàng)集，因此，上述項(xiàng)集分別是1-項(xiàng)集、2-項(xiàng)集、3-項(xiàng)集。二.推薦算法分類3.關(guān)聯(lián)規(guī)則推薦算法關(guān)聯(lián)規(guī)則3個統(tǒng)計量二.推薦算法分類3.關(guān)聯(lián)規(guī)則推薦算法關(guān)聯(lián)規(guī)則3個統(tǒng)計量關(guān)聯(lián)規(guī)則的提取即找出所有支持度大于等于最小支持度，且置信度大于等于最小置信度以及提升度靠前（大于1）的關(guān)聯(lián)規(guī)則。像{牛奶}→{面包}這樣的關(guān)聯(lián)規(guī)則稱為強(qiáng)關(guān)聯(lián)規(guī)則，因?yàn)樗鼈兺瑫r具有高支持度和高置信度。二.推薦算法分類3.關(guān)聯(lián)規(guī)則推薦算法Apriori算法簡介算法步驟：1.通過迭代計算所有事務(wù)中的頻繁項(xiàng)集，即支持度不低于用戶設(shè)定的閾值的項(xiàng)集。2.利用頻繁項(xiàng)集構(gòu)造出滿足用戶最小置信度的關(guān)聯(lián)規(guī)則。二.推薦算法分類3.關(guān)聯(lián)規(guī)則推薦算法Apriori算法應(yīng)用示例求最小支持度是50%，最小置信度是50%的關(guān)聯(lián)規(guī)則二.推薦算法分類3.關(guān)聯(lián)規(guī)則推薦算法Apriori算法應(yīng)用示例使用Apriori算法求解關(guān)聯(lián)規(guī)則的過程：三.推薦效果評估1.評估方法實(shí)驗(yàn)步驟：1.構(gòu)建測試數(shù)據(jù)集，并按照比例將數(shù)據(jù)集分為訓(xùn)練集和測試集。2.在訓(xùn)練集上建立算法模型，對用戶及其興趣建模。3.按照預(yù)先定義的評估指標(biāo)在測試集上進(jìn)行預(yù)測推薦，評估推薦效果。三.推薦效果評估1.評估方法三.推薦效果評估1.評估指標(biāo)①評分預(yù)測方法T表示測試集，包含用戶u和物品i，rui是用戶u對物品i的實(shí)際評分，而是推薦系統(tǒng)給出的預(yù)測評分，m是測試集的樣本總數(shù)。三.推薦效果評估1.評估指標(biāo)②TopN推薦方法其中U是所有被推薦的用戶的集合，是為用戶u推薦的N個物品的列表，是用戶u在測試集上喜歡的