推荐系统简介
简述
推荐系统广泛应用于电子商务网站中,根据顾客的偏好推荐商品,推荐系统作为一种特殊的服务,推荐系统的使用也可以被视为一个消费过程,同样适用于进行用户满意度的测评。用户在使用一个推荐系统之前,由于先前的使用经验、其他用户对推荐系统的评价、对系统平台的信任、个人特征等因素的影响,用户会对该推荐系统产生一种期望,使用推荐系统帮助进行购物决策之后,用户对推荐系统的质量形成一个认知,对推荐系统的价值进行评价。
推荐系统产生的背景
随着互联网和电子商务规模的迅速增长,电商企业可以通过网络服务器为在线消费者提供海量的商品信息,者在给消费者带来更多选择机会和信息的同时,也使得消费者很难从大量的信息中获得对自己感兴趣和真正有用信息,电商企业和消费者都就需要一种这样的技术,为顾客推荐符合其需求和偏好的产品,于是,电子商务推荐系统应运而生。
推荐系统的类别
- 单域推荐系统
单域推荐系统可以大致分为三类:基于内容过滤(content.based filering)的模型,基于协同过滤(collaborative filtering)的模型和混合模型(hybridmodels)。基于内容过滤的推荐模型通过计算用户和物品之间档案的相似度来推断用户对物品的偏好程度。相比与协同过滤,内容过滤的方法能够适应冷启动问题。协同过滤算法可以进一步分为基于模型的算法和基于邻域关系的算法。混合模型把协同过滤和内容过滤集成在一个统一的框架中,往往具有更优越的效果。
- 跨域推荐系统
跨域推荐系统根据算法是否需要依赖多个域之间相同用户账号间的匹配,可以分为两类:已知用户匹配的模型(包括完全匹配和部分匹配)和不依赖用户匹配的模型。
递增项目覆盖率
随着用户子集大小增加,新加入用户贡献的递增覆盖率越来越小,即项目覆盖率具有子模性
对于用户集合A,B,A[公式]B[公式]U,有PA[公式]PB。对于任意的单个用户u [公式]B且u∈U,有:
因此,有如下推导成立:
推荐系统满意度
系统使用度(usage)与用户满意(userSatisfaction)是两个最常用且最广为大家接受的,用于衡量信息系统成功与否的有效的衡量指标。用户满意度与系统使用度两者之间高度正相关,一般在衡量系统成功时,皆会假设这两个变量具有一致性,不过这两个变量在态度上仍有差异,用户满意是评估其对系统的认知偏好,系统使用度则是衡量用户使用系统这一行为的指标。