使用书籍:《Recommender Systems:An Introduction》
第一章:引言
1.1 本书第一部分:基本概念
一般来说,推荐系统的两个目的:激发用户去做某件事;当作解决信息过载的工具
1.1.1 协同过滤推荐
- 基本思想:如果用户在过去有相同的偏好,那么他们在未来也会有相似的偏好。(从与该用户偏好重叠的用户中做选择,用户隐式地与其他人相互协作
- 优势:因为纯粹的协同过滤不使用与物品相关的知识,所以就不需要获取/维护这些数据;利用这种特征推荐到的物品与已有的物品相似,可能会更有效
1.1.2 基于内容的推荐
推荐系统也植根于信息检索和信息过滤(区分文档相不相关)
- 核心:得到物品的描述和这些特征的重要记录(用户记录也要抽取或学习
- 优势:不需要大规模用户就可达到适度的推荐精度;一旦得到物品的属性就可以立刻进行推荐
1.1.3 基于知识的推荐
当单次购买者大规模出现时,可能无法以来购买记录,因此无法用前两者的方法。基于约束的推荐属于此类系统。这种方法也同样需要维护用户记录。
- 基本思想:用到有关用户和有效物品的额外信息(一般由人工提供
- 特点:更注重用户交互,要能在个性化的问答中摸索用户真正的偏好
1.1.4 混合推荐方法
- 基本思想:既有群体知识,又有详尽的物品信息,则可以把基于内容的技术(content-based techniques)与协同或社会化过滤技术(collaborative or social filtering)相混合,来增强推荐效果。
- 优势:克服纯粹协同方法的规模膨胀问题,可以依赖内容分析处理新物品或新用户
1.1.6 评估推荐系统
如何实际衡量推荐系统所给建议的质量