推荐系统：基于内容的推荐算法

基于内容的推荐算法

• 基于物品信息

• 概念图

概念

• 定义：($Content-basedRecommendations(CB)$) 根据推荐物品或则内容数据，发现物品的相关性，再基于用户过去的喜爱记录，为用户推荐相似的物品

• 通过提取物品内在或则外在的特征值，实现 相似度计算

• 将 用户个人文本信息的特征 和 物品的特征 相匹配，即可得到用户对物品的喜爱程度

相似度计算

• 采用：余弦相似度

• 公式：$similarity=cos(\theta )=\frac{AB}{||A||||B||}$

• 如图：

用户个人文本信息的特征提取

• 分词、语义处理和情感处理 ($NLP$)
• 潜在语义分析 ($LSA$)

物品特征的提取：

• 专家标签 ($PGC$)
• 用户自定义标签 ($UGC$)
• 降维分析数据、提取隐语义标签 ($LFM$)

基于内容推荐系统的高层次结构

• 概念图

特征工程

• 以房屋是否售出为例

• 特征 ($feature$) ：数据中抽取出来的对结果预测有用的信息
• 特征的个数即数据的观测维度
• 特征工程最用：从专业背景知识和技巧处理数据，使得特征能够在机器学习算法上发挥更好作用的过程
• 特征工程包括：特征清洗 (采样、清洗异常样本)，特征处理和特征选择
• 特征按照不同的数据类型 (离散型和连续型) 有不同的特征处理方法
  • 数值型
  • 类别型
  • 时间型
  • 统计型

数值型

• 定义：连续型数值表示当前维度，通常会对数值特征进行数学上的处理，主要做法是 归一化 和 离散化

• 归一化：特征之间应该是平等的，区别应当体现在特征内部；有些特征数值特别大而有些特征数值特别小，会因为本身的幅值差异造成机器学习效果不佳

  • 公式：$featur{e}_{new}=$