志向和热爱是伟大行为的双翼

原文出处：http://www.cnblogs.com/flclain/p/4211685.html原文作者：昵称：懒惰啊我作为一个推荐系统业余爱好者，在机器学习领域的鄙视链中，我感觉一直地位不高，时常被搞NLP CV语音等高科技技术的朋友鄙视。最近甚至被人问，推荐算法开源包多如牛毛，我们为什么还要专门的推荐算法工程师？（难道想要辞退我！？惊）不得不说，我想吐槽这个

最近学习python爬虫技术，开始用到了第三方Requests和BeautifulSoup。网络上很多教程很旧了，总结安装方法：

电影数据集总结：包括Netflix、MovieLens、LDOS-CoMoDa、AdomMovie

上下文已经被认为在构建个性化推荐系统上是一个重要的因素。然而，大多数上下文推荐技术主要研究项目水平上的上下文信息建立用户偏好模型，很少致力于探测更多细粒度层面的上下文偏好。所以，在这篇论文中，我们从基于不同上下文权重策略推测出的上下文相关偏好得到的用户评论提出一个上下文推荐算法。上下文相关偏好模型是进一步结合用户独立偏好模型进行推荐的。在两个真实的数据集中的实验结果证明，我们的方法相比以前的工作能够捕捉用户上下文偏好和获得更好的推荐精确性。

现在推荐系统领域越来越多地意识到多样性是提高推荐有效性的一重要特征。类型信息可以作为测量和提高推荐的多样性，而且在电影、音乐、图书领域是现成的。在这篇论文中我们在推荐系统上为定义类型号的多样性提出一个新的二项式框架，这个框考虑了三个重要的特性：类型覆盖范围、类型信息冗余、推荐列表的尺寸感知。我们展示了以前测量和提高推荐多样性的方法——包括那些改编自搜索结果多样化——无法处理这三个特征。我们也提出一个有效的贪婪的最优化技术去优化二项式多样性。在Netflix 上的实验展示了我们框架的性能和与其它方法的对比。

用户和项目分类对于上下文推荐系统来就是很常用的方法。执行项目分类方法时，一个已评分的项目在不同的上下文生成多份复制品。用户分类方法执行基于相似的方法。UI splitting是一个结合用户与项目分类的方法，分类用户与项目以提高上下文推荐系统的性能。在这篇论文中，我们针对上述三个方法（CASA）在多个数据集进行实验，而且我们还将它们与其它流行的上下文协同过滤算法（CACF）作比较。为评价这些方法，我们提出一个新的评估指标。实验显示，CASA表现比其它流行的CACF算法更好，但是没有哪一个分类方法显示是最好的。

上下文与社交网络信息已经被证实对建立精确的推荐系统有重要的价值。然而，据我们所知，目前不存在有系统地结合这些信息去提高推荐质量的研究。在这篇论文中，我们提出SoCo，一个新颖的将精心处理社交网络信息的上下文感知推荐系统。我们使用随机决策树处理上下文信息，将原始的用户项目矩阵根据相似的上下文信息分组。然后使用矩阵分解技术对生成的分块矩阵的缺失值进行预测。为了结合社交网络信息，我们引入了一个社交规则到矩阵分解目标函数中，通过学习与该用户有相似品味的朋友的想法意见去推断一个用户对一个项目的偏好。一个上下文感知版本

上下文推荐系统尝试利用不同的上下文去适应用户偏好，而且这被证明在很多不同的领域上都能提高推荐的精确性。情绪是最流行的上下文变量，而很少研究人研究情绪是怎样作用在推荐上的——特别是情绪变量的用法除了单单的描述效力。在这篇论文中，我们研究在上下文推荐系统算法中情绪的作用。更具体地，我们评价两个流行的上下文推荐系统算法——上下文感知过滤算法和微分上下文建模。我们考核预测的性能，探索情绪的用法和发现情绪在推荐过程中是怎样影响上下文算法的。

--------------------------------groulplens团队------------------------------------------------- 论文题目：【2012 ACM】How Many Bits Per Rating?研究方向：协同过滤、偏好模型算法技术：noise、preferece bits framework特征属性：评分

非个性化模型(Non-personalized models)：Movie Average（MovieAvg）和Top Popular(TopPop)；邻域模型(Neighborhood models)：Correlation Neighborhood models(CorNgbr)和Non-normalized Cosine Neighborhood(NNCosNgbr)；隐语义模型（Latent Factor Model）：Asymmetric-SVD(AsySVD)、SVD++和PureSVD