《推荐系统》--混合推荐、解释及如何评估推荐系统


《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
基于内容 否</
  • 2
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值