- 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
- 离散刻度值
@@@Social_information_filtering_algorithms_for_automating_”word_of_mouth” - 把用户对网页的评价划分为热门,一般,冷门
@@@Syskill_&_webert:_identifying_interesting_web_sites
- 离散刻度值
- 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 Ua 的个人画像;定义 Ua 的训练集TR;TR是 <Ik,rk> <script type="math/tex" id="MathJax-Element-3"> </script>的集合;
- rk 是用户对物品描述 Ik 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)
- Letizia系统
@@@Letizia: An Agent That Assists Web Browsing - WebWatcher
- syskill&&webert
选择128个关键词代表来表示文档
- Letizia系统
新闻过滤
- NewT
- YourNews
@@@open user profiles for adaptive news systems help or harm - 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- 利用Amozon在线网页获取产品描述
- 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
- 用户被要求给一定数量的电影打分
- 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
- 从评价过的电影剧情中学习用户偏好
- 加入投票模式(解决某人在偏好上有冲突的办法)
- 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