推荐算法：基于内容的推荐_2： 物品的表示

• 挖局用户曾经喜欢的物品，推荐类似的产品
• 利用已知的用户自己的偏好，兴趣等属性和物品内容属性做匹配
• 将用户的个人信息的特征和内容对象的特征匹配，结果就是用户对某个对象感兴趣的程度

---

基于内容推荐的层次结构

* 内容分析器

• 文档的数据处理
• 得到结构化的数据，存储在物品库中

* 信息学习器

• 收集有关用户偏好的数据特征，泛华这些数据，构建用户特征信息（机器学习）
• 通过历史数据构建用户兴趣模型
• 生成兴趣特征和无兴趣特征

*过滤组件

• 将用户的个人信息和物品匹配

---

反馈

显性反馈

• 喜欢/不喜欢
  @@@A_hybird_user_model_for_news_story_classification）
• 评分
  
  1. 离散刻度值
     @@@Social_information_filtering_algorithms_for_automating_”word_of_mouth”
  2. 把用户对网页的评价划分为热门，一般，冷门
     @@@Syskill_&_webert:_identifying_interesting_web_sites
• 文本评论

隐性反馈

• 保存
• 删除
• 印刷

• 收藏

• 缺点：偏差比较大

学习推荐

• 建立活跃用户$U_a$ 的个人画像；定义$U_a$的训练集TR；TR是 <Ik,rk> <script type="math/tex" id="MathJax-Element-3"> </script>的集合；
• $r_k$ 是用户对物品描述$I_k$的平分
• 监督学习算法生成预测模型
• 给定一个新的物品的描述
• 比较存储在用户数据库的用户偏好和物品特征
• 预测是否 对物品有兴趣
• 时刻改变用户个人信息
• “反馈-学习”

---

内容过滤的优缺点

优点

• 用户独立性：仅使用当前的用户评价来构建用户的个人信息
• 透明度：可以接受推荐的结果
• 新物品：没有任何用户评分的也可以推荐

缺点

• 可分析的内容有限
• 新颖度差
• 新用户需要用户的偏好信息

---

物品表示

• 内容推荐算法，推荐给用户的物品可以表示为一系列的特征
• 物品大多数为：抽取的文本数据(自然预处理中带有大量的歧义)
• 机器学习的方法学习用户的偏好
  @@@content-based_recomender_system

基于关键字的空间向量模型

• 关键字
• 空间向量模型(文本文档的表示方法；Tf-IDF)
• 使用相似度表示两个文档的相关性(余弦相似度)
• 个人画像和物品都描述为带权重的词向量
• 预测一个用户对物品的兴趣，通过计算余弦相似度得到

基于关键词系统(web推荐系统)

• web推荐系统领域(网址推荐)

  1. Letizia系统
     @@@Letizia: An Agent That Assists Web Browsing
  2. WebWatcher
  3. syskill&&webert
     选择128个关键词代表来表示文档

• 新闻过滤

  1. NewT
  2. YourNews
     @@@open user profiles for adaptive news systems help or harm
  3. 总结
     长期兴趣和短期兴趣的结合

• 高级新闻过滤主题
  略

---

其他

• LIBRA书籍推荐
  @@@content based book recommending using learning for text categorization

  1. 利用Amozon在线网页获取产品描述
  2. 贝叶斯网络分类

• Citeseer协助学术搜索
  1.分析论文的引文

• INTIMATE使用文本分类技术从Internet Movie Database获得电影剧情

  1. 用户被要求给一定数量的电影打分
  2. 评分档次：很差，差，低于平均，高于平均，好，优秀
     @@@intimate a web-based movie recommender using text categorization
     3 三种学习方法：决策树，knn，贝叶斯

• Movies2GO

  1. 从评价过的电影剧情中学习用户偏好
  2. 加入投票模式(解决某人在偏好上有冲突的办法)
  3. 波达计数法

例子：
假设有三个候选人甲、乙、丙的选举。结果如下：
4张选票为：1.甲 2.乙 3.丙
5张选票为：1.甲 2.丙 3.乙
7张选票为：1.丙 2.乙 3.甲
若排第一位的候选人取得2分，第二位得1分，第三位无分，各人的分数如下：
甲：4*2+5*2+7*0 = 18
乙：4*1+5*0+7*1 = 11
丙：4*0+5*1+7*2 = 19

• 音乐推荐
  多事协同过滤的方法

协调过滤和内容过滤的融合

• @@@ Fab_Content based Collabative Recommendation.

---

运用语义分析

• SiteIF
• Informed Recommender：消费者的评价为推荐建议
  @@@informed recommender basing recommendations on consumer product recommender

---

运用百科全书源进行语义分析

• 显示语义分析：利用wiki的专业知识
• Netflix中利用wiki来估算电影之间的相似度(文本的内容和超链接来估测相似度)
  效果不明显

---

---