Recommender Systems引言
我想站在大神肩膀上...貌似是计算所的一个小伙伴...
总结的很好,看得出来有一定的功底....
不过对于自己看过了的东西,就不愿意再翻看第二遍了。恰好这本书和项亮那本很像,就直接看这本书了。顺便记记笔记,贴到这里,供更多人参考。
一. 协同过滤的推荐
基本思想:用户在过去有相同的偏好,e.g. 他们浏览或者买过相同的书,那么他们在未来也有相似的偏好。
关键问题:
(1)如何发现相似用户
(2)如何衡量相似度
(3)冷启动问题
(4)是否还有别的信息可以利用
二. 基于内容的推荐
推荐的两个目的:(1)激发用户去选择某个物品或者做某件事情——例如,诱惑用户买一本书;(2)解决信息过载问题——例如说新闻推荐,用户本身就是要看,只不过新闻太多或者找起来麻烦,最好能把用户想看的直接给他呈现出来,省得他找。
其中第二个目的和信息过滤、信息检索领域很接近。而基于内容的推荐,本质上也是基于信息检索领域的方法。
基于内容推荐的核心问题:如何得到物品的描述(无论是人工生成还是自动抽取)。进一步,用户对物品的行为,也能够转化成用户对物品的“描述”,积累之后,用户本身也相当于一个物品。借用信息检索的思路,将用户看作是一个query,那么和这个query相似的物品,排序之后,就是推荐给用户的物品。
关键问题:
(1)如何获取并不断更新用户的记录
(2)物品和用户之间的相似度计算
(3)如何自动抽取物品描述
优点:
(1)不需要大规模的用户(像协同过滤)就能够得到物品之间的关系
(2)一旦获得物品的属性就能够立刻推荐该物品给用户
三. 基于知识的推荐
某些领域中,例如消费电子领域(e.g.买手机),绝大多数的数据是单次购买记录。如果套用上述两种方法,由于数据过于稀疏,甚至无法获得推荐结果。如果我们在此种情况下还要给用户推荐的话,怎么办?
基于知识(规则、推理)的推荐方法,需要人把一些领域知识(如:规则)加入到系统当中。
参考文献http://blog.csdn.net/xceman1997/article/details/41686145
相关文章
- Recommender Systems移动互联网个性化游戏推荐
- Recommender Systems 基于知识的推荐
- Recommender Systems基于内容的推荐
- Recommender Systems协同过滤
- Recommender Systems引言1
- CS 635: Advanced Systems Programming
- 程序源系统与当前系统不一致:Carry out repairs in non-original systems only if urgent
- 英特尔收购AI领头企业Nervana Systems望实现组合创新
- 赛门铁克全新嵌入式Critical Systems Protection保护物联网设备免受零日攻击
- IBM收购Resilient Systems——旨在为安全时间提供反应“行动手册”
- 三对角线性方程组(tridiagonal systems of equations)的求解
- [COMP9242] wk01 - Advanced Operating Systems
- 英特尔收购AI领头企业Nervana Systems望实现组合创新
- PowerVM+PowerVC 看IBM Power Systems助力企业云化资源管理
- 英特尔收购AI领头企业Nervana Systems望实现组合创新
- 赛门铁克全新嵌入式Critical Systems Protection保护物联网设备免受零日攻击
- IBM收购Resilient Systems——旨在为安全时间提供反应“行动手册”
- paper:A Review on Industrial Augmented Reality Systems for the Industry 4.0 Shipyard
- 2023-02-10 Readings in Database Systems
- Sparx Systems Pro Cloud Server crack
- Robin Systems:一份容器的调查报告
- 笔记:Wide & Deep Learning for Recommender Systems
- CPU Scheduling in Operating Systems
- How to restore ASM based OCR after complete loss of the CRS diskgroup on Linux/Unix systems [ID 1062