《Recommender System An Introduction》,第五章,混合推荐方法。
《Recommender System An Introduction》,第六章,推荐系统的解释。
《Recommender System An Introduction》,第七章,评估推荐系统。
混合推荐方法
如何进行混合推荐,要考虑两个问题:基础的推荐理论框架和系统的混合设计,也就是组合两个以上算法的方法。
推荐理论框架
推荐问题通常可以转换成效用函数rec,预测物品集合I中得物品i对整个用户级U中某个特定用户u的有用性。
效果指的是物品满足某种抽象目标的能力,比如最好地满足用户假定需求,或者是最大地提高零售商的转化率。因此,推荐算法的预测任务就是推算给定用户和物品的效用分数。
基于效用或基于知识的推荐系统,可以直接从先验的效用机制中得到效用分数值,而协同过滤方法根据群体的评分预测效用分数。
3种主要的推荐理论框架:
(1)协同过滤。协同过滤原理假设人以类聚,大家有着相似的行为,需求和偏好也差不多。协同推荐的任务就是确定相似的对等者,从他们喜欢的物品中得到推荐结果。
(2)基于内容的理论框架遵循“以不变应万变”的方法,根据用户过去喜欢的物品推荐相似的物品。
(3)基于知识的推荐,认为会有额外的信息源,即显式的个性化知识。
选择哪种推荐理论框架决定了要输入数据的类型:
理论框架 | 用户记录和上下文参数 | 群体数据 | 产品特征 | 知识模型 |
协同过滤 | 是 | 是 | 否 | 否 |
基于内容 | 是 | 否</ |