第1章 概述
1.1 简介
推荐系统主要针对缺乏个人经验和能力的人,他们无法评估大量可供选择的物品【有些人则不受推荐系统的影响?】
个性化推荐与非个性化推荐
推荐系统被证明是一种解决信息过载问题的有效工具,通过为用户指引该用户不熟悉的新物品来解决信息过载现象。用户可能接受也可能不接受推荐,可能马上或过段时间提供显式或隐式的反馈,所有这些行为和反馈可以存储在推荐数据库,且可用于在下一次用户与系统相互作用时产生新的推荐【基于用户反馈的推荐方法?】
1.2 推荐系统的功能
1.3 数据和知识资源
1.4 推荐技术
六种推荐方法
(1) 基于内容(content-based): 系统为用户推荐他们过去的兴趣类似的物品
(2) 协同过滤(collaborative filtering): 将相似用户过去喜欢的物品推荐给用户
推荐系统中最流行最广泛的实现技术,隐语义模型(LFM)
(3) 基于人口统计学的(demographic): 基于人口统计信息的推荐,例如地域、年龄等
在营销文献中相当流行,推荐系统方面一直很少研究
(4) 基于知识(knowledge-based): 基于特定的领域和知识推荐物品
最好配备自动学习组件
(5) 基于社区(community-based): 该推荐方法依赖用户朋友的偏好
研究处于起始阶段,性能定论还很混乱,在针对用争议的物品或者冷启动情况下,性能优于传统推荐方法
(6) 混合推荐系统(hybrid recommender system): 综合上述方法,取长补短
1.5 应用与评价
1.6 推荐系统与人机交互
推荐算法的有效性不能仅根据预测结果的准确性(即用标准且流行的IR指标,如MAE、精准度或NDCG)来衡量。作者提出评价推荐系统要以用户为中心,包括推荐列表的相似度、推荐系统有意外新发现的能力、以及推荐系统中用户需求和期望的重要性。
1.6.1 信任、解释和说服力
推荐解释在推荐系统中的七大作用:
透明度:说明系统是如何工作的
可反馈性:允许用户告诉系统有错误
信任:增加用户对系统的信心
说服力:说服用户去尝试或购买
高效性:帮助用户快速抉择
满意度:增加用户舒适度或乐趣
1.6.2 会话系统
1.6.3 可视化
1.7 推荐系统是个交叉学科领域
1.8 出现的问题和挑战
挑战:
大的真是数据集背景下的算法扩展性
主动推荐系统
推荐系统中的用户隐私保护
推荐给目标用户的物品多样性
在建立推荐列表的过程中整合用户的长期和短期偏好
通用的用户模型和交叉领域推荐系统能够在不同的系统和应用领域调配用户数据
在开放式网络中运行的分布式推荐系统
最优化推荐序列的推荐系统
移动上下文的推荐系统
本文为学习笔记,参考资料为:
《推荐系统 技术、评估及高效算法 Recommender System handbook》 Francesco Ricci Lior Rokach 机械工业出版社
欢迎交流与分享