推荐系统概述

推荐系统概述2学习任务推荐系统的概念长尾理论推荐方法3知识目标01能力目标02学习目标什么是推荐系统长尾理论推荐方法4目录01推荐系统的概念02长尾理论03推荐方法5推荐系统的概念什么是推荐系统随着互联网的飞速发展，网络信息的快速膨胀让人们逐渐从信息匮乏的时代步入了信息过载的时代。借助于搜索引擎，用户可以从海量信息中查找自己所需要的信息。但是，通过搜索引擎查找内容是以用户有明确的需求为前提的，用户需要将其需求转化为相关的关键词进行搜索。因此，当用户需求很明确时，搜索引擎的结果通常能够较好地满足用户需求。比如，用户打算从网络上下载一首由筷子兄弟演唱的、名为《小苹果》的歌曲时，只要在百度音乐搜索中输入“小苹果”，就可以找到该歌曲的下载地址。然而，当用户没有明确需求时，就无法向搜索引擎提交明确的搜索关键词，这时，看似“神通广大”的搜索引擎也会变得无能为力，就难以帮助用户对海量信息进行筛选。比如，用户突然想听一首自己从未听过的最新流行歌曲，面对众多的当前流行歌曲，用户可能显得茫然无措，不知道哪首歌曲适合自己的口味，因而他就不可能告诉搜索引擎要搜索什么名字的歌曲，搜索引擎自然无法为其找到爱听的歌曲。6推荐系统的概念什么是推荐系统推荐系统是可以解决上述问题的一个非常有潜力的办法，它通过分析用户的历史数据来了解用户的需求和兴趣，从而将用户感兴趣的信息、物品等主动推荐给用户。现在让我们设想一下生活中可能遇到的场景：假设你今天想看电影，但又没有明确想看哪部电影，这时你打开在线电影网站，面对近百年来所拍摄的成千上万部电影，要从中挑选一步自己感兴趣的电影就不是一件容易的事情。我们经常会打开一部看起来不错的电影，看几分钟后无法提起兴趣就结束观看，然后继续寻找下一部电影，等终于找到一部自己爱看的电影时，可能已经有点筋疲力尽了，渴望休闲的心情也会荡然无存。为了解决挑选电影的问题，你可以向朋友、电影爱好者进行请教，让他们为你推荐电影。但是，这需要一定的时间成本，而且，由于每个人的喜好不同，他人推荐的电影不一定会令你满意。此时，你可能更想要的是一个针对你的自动化工具，它可以分析你的观影记录，了解你对电影的喜好，并从庞大的电影库中找到符合你兴趣的电影供你选择。这个你所期望的工具就是“推荐系统”。推荐系统就是自动联系用户和物品的一种工具，和搜索引擎相比，推荐系统通过研究用户的兴趣偏好，进行个性化计算。推荐系统可发现用户的兴趣点，帮助用户从海量信息中去发掘自己潜在的需求。7长尾理论长尾结论从推荐效果的角度而言，热门推荐往往能去的不俗的效果，这也是为何各类网站中都能见到热门排行榜的原因。但是，热门推荐的主要缺陷在于推荐的范围有限，所推荐的内容在一定时期内也相对固定，无法为用户提供新颖且有吸引力的推荐结果，自然也难以满足用户的个性化需求。从商品的角度而言，推荐系统要比人呢推荐更加有效，前者可以更好地发掘“长尾商品”。美国《连线》杂志主编ChrisAnderson于年提出了“长尾”概念，用来描述以亚马逊为代表的电子商务网站的商业和经济模式。电子商务网站相比于传统零售店而言，销售的种类更加繁多。虽然绝大数商品都不热门，但是这些不热门商品总数量及其庞大，所累计的总销售额将是一个可观的数字，也许会超过热门商品所带来的销售额。热门商品往往代表了用户的普遍需求，而长尾商品则代表了用户的个性化需求。一次，通过发掘商品可提高销售额，但这就需要充分地研究用户的兴趣，而这正是推荐系统主要解决的问题。推荐系统通过发掘用户的行为记录，找到用户的个性化需求，发现用户潜在的消费倾向，从而将长尾商品准确地推荐给需要它的用户，帮助用户发现那些他们感兴趣但却很难发现的商品，最终实现用户与商家的双赢。8推荐方法推荐方法推荐系统的本质是建立用户与物品的联系，根据推荐算法的不同，推荐方法包括如下5类。（1）专家推荐。专家推荐是传统的推荐方式，本质上是一种人工推荐，有资深的专业人士来进行物品的筛选和推荐，需要较多的人力成本。现在专家推荐结果主要是作为其他推荐算法结果的补充。（2）基于统计的推荐。基于统计信息的推荐（如热门推荐），概念直观，易于实现，但是对用户个性化偏好的描述能力较弱。（3）基于内容的推进。基于内容的推荐是信息过滤技术的延续与发展，更多地是通过机器学习的方法去描述内容的特征，并基于内容的特征来发现与之相似的内容。9推荐方法推荐方法（4）协同过滤推荐。协同过滤推荐是推荐系统中应用最早和成功的技术之一。它一般采用最近邻技术，利用用户的历史信息计算用户之间的距离，然后利用目标用户的最近邻用户对商品的评价信息来预测目标用户对特定商品的喜好程度，最后根据这一喜好程度对目标用户进行推荐。（5）混合推荐。在实际应用中，单一的推荐算法往往无法取得良好的推荐效果，一次多数推荐系统会对多种推荐算法进行有机组合，如在协同过滤之上基于内容的推荐。基于内容的推进与协同过滤推荐有相似之处，但是基于内容的推荐关注的是物品本身