推荐算法概述-冯凯旋

1、推荐算法概述冯凯旋2013/01/11纲要推荐算法介绍推荐算法举例面临的问题与挑战推荐算法介绍给用户(users)推荐感兴趣的项目(items)为什么需要推荐算法？产品(products)人/用户(people/users)职位/任务(jobs/tasks)增加销量找到相关感兴趣的事物扩大社交网络推荐算法介绍实例推荐算法介绍如何收集用户信息？显式(Explicit)直接由用户提供隐式(Implicit)观察推断更精准，但增加了用户负担例子 用户对项目打分 用户资料中填写兴趣爱好 用户清晰描述自己的目标对用户干预较少，但同时精准度也降低例子 从用户频繁浏览的项目中推断用户的偏好 推荐算法介绍推荐

2、的基本原理是什么？ 推荐的基本方法有哪些？基于项目(Item-based)与用户所喜欢的项目类似的其他项目基于用户(User-based)与用户类似的其他用户所喜欢的项目协同过滤推荐(Collaborative Filtering)*基于内容推荐(Content Based)关联规则推荐(Association Rules)混合方法推荐(Mixed or Hybrid)物以类聚聚人以群分聚推荐算法介绍相似度计算基于皮尔森相似性的相似度(Pearson correlation-based Similarity) 基于欧几里德距离的相似度(Euclidean Distance-based Simi

3、larity)余弦相似度(Cosine Similarity)*调整余弦相似度(Adjusted Cosine Similarity)斯皮尔曼相关(Spearman Correlation)打球唱歌看电影吃东西张三1110李四1010王五0011PPT最后附有余弦相似度计算的MATLAB实现，可以用于验证后面涉及到的相似度计算推荐算法举例协同过滤利用集体智慧发现用户兴趣所在算法分类基于用户-项目评分矩阵最近邻方法基于记忆的推荐(Memory Based)*基于模型的推荐(Model Based)基于用户的推荐/基于用户的Top-N推荐基于项目的推荐/基于项目的Top-N推荐基于贝叶斯模型的推荐

4、基于线性回归模型的推荐推荐算法举例协同过滤43?322442232433522415基于用户的推荐基于项目的推荐推荐算法举例协同过滤基于用户的Top-N推荐43?322442232433522415推荐算法举例协同过滤基于项目的Top-N推荐43?322442232433522415推荐算法举例协同过滤优点缺点算法简单，应用最早且最为成功的技术之一理论上能够推荐任何项目，如图像、音乐、视频等用户评价非常稀疏随着用户和项目增多，系统性能下降导致的可扩展性问题基于用户推荐的项目趋于大众化基于项目推荐的项目缺乏多样性新加入用户/项目冷启动问题推荐算法举例基于内容推荐又称基于搜索的推荐基于内容的推荐步

5、骤源于信息获取领域信息检索领域重要研究内容推荐算法举例基于内容推荐优点 缺点对用户干预少，推荐结果直观易理解加入了对用户和项目本身特征的考虑无关于新推荐项目的冷启动问题无数据稀疏问题有比较成熟的学习分类方法提供支持方法应用受到项目的特征提取能力限制推荐结果更新缓慢，用户难以发现新的兴趣点存在关于新用户的冷启动问题推荐算法举例关联规则数据挖掘典型问题之一，又称购物篮分析啤酒与尿布推荐算法举例关联规则基于关联规则推荐步骤优点：缺点从事务(transactions)中提取满足阈值support和confidence的规则找出被用户行为所“支持”的规则根据confidence对规则排序，选取Top N条规则进行应用通过数据挖掘产生有用的结果无需干预用户行为，可离线计算关联规则的发现最为耗时面临商品名称同义性问题非个性化推荐推荐算法举例混合方法类别实例：内容增强的协同过滤(Content-Boosted CF)对不同推荐算法的推荐结果进行综合对不同推荐算法的各自特征进行综合协同过滤方法不足好的推荐结果需要一定数量的用户评分当无法实现有效的显式评分时基于项目内容进行“伪装”评分43?32244223243