1、推荐系统
推荐系统的主要工作,就是给用户推荐他之前没有接触过但可能会感兴趣的物品。即从用户的历史记录里提取出用户的兴趣偏好,然后根据偏好给用户推荐新的物品。
2、排序学习
排序学习算法最初是在信息检索领域中提出,用于对检索结果的排序。由于信息检索与推荐系统具有一定的相似性,都是根据用户的需求找到与其需求相符合的物品提供给用户。不同点在于,信息检索中用户的需求是明确的,例如关键字;而推荐系统中用户的需求不是明确给出的,需要对用户的历史行为数据进行分析得到。
排序学习算法为什么被引入推荐系统领域?因为给用户进行推荐时,一般是以列表的形式呈现,top5,top10等等,那么必然希望越满足用户兴趣的物品排在越前面越好,这就必然要涉及到物品排列顺序的问题。另一方面,研究者发现在对物品进行评分预测时,尽管误差很小,但仍有顺序排错的可能,于是转为直接对物品进行排序,而不是预测用户对物品的打分,而且用户在意的是物品的顺序而不是评分。(此处记得有依据,好像是预测评分意义不大,因为用户还没有观看过,预测的评分没有意义)
排序学习在推荐系统中的应用
2.1排序学习的原理
根据我到目前为止看过的论文和我自己的理解,排序学习是一种有监督的机器学习,它与评分预测不同,但也有相似之处。通过排序学习学习到的也是用户特征向量和物品特征向量。得分函数
2.2排序算法分类
排序算法一般分为三类:点级,对级和表级。
点级算法,类似于预测评分的方法
对级算法,通过构造偏序对,得到任意两个物品间的顺序关系,进而就可得到所有物品间的一个顺序关系。(不同用户的序关系?)
2.3存在的问题
2.4解决方案
3、总结