个性化推荐系统初窥

经常在当当网，卓越亚马逊，京东等购物网站上买东西，他们都使用了个性化推荐系统，其中我觉得亚马逊做的最好，可能是技术在美国的原因吧。

这两个礼拜我仔细看了一篇周涛教授等人写的论文《个性化推荐系统的研究进展》。

里面很全面地介绍了“个性化推荐系统”。主要分为三个部分:

1.收集用户信息的行为记录模块。

2.分析用户喜好的模型分析模块

3.推荐算法模块

其中第三点是最为关键的一部分。

 

根据推荐算法不同，又把推荐系统分为：（以下为综合论文和Wikipedia、百度等以及自己的思考得到）

（一）协同过滤系统

a. 基于使用者（User-based）的协同过滤

b. 基于物品（Item-based）的协同过滤

c. 基于模型（Model- based）的协同过滤

优点：*对推荐对象没有特殊的要求，能处理音乐，电影等机器难以自动内容分析的资讯。

         *可以推荐新的资讯。即可能是使用者事先预料不到的。

         *自动化程度高，能够有效地利用其它相似者的回馈资讯。

缺点：*新的用户进来时推荐的品质较差。

 

（二）基于内容的推荐系统

内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤.

通过相关特征的属性来定义项目或对象,系统基于用户评价对象的特征学习用户的兴趣,依据用户资料与待预测项目的匹配程度进行推荐，努力向客户推荐与其以前喜欢的产品相似的产品。

简单来说就是和之前购买的产品是同类性质的，如都为C语言教材，或为同一位大师所著。

优点：简单，有效。

缺点：提取特征值有限，只能基于文本内容分析，如遇见音乐电影就没办法了。就要用到上面提到的协同过滤方法。

 

（三）基于用户--产品二部图网络结构的推荐系统。

这种算法不考虑用户或者产品的内容特征。而是把他们看成抽象的节点，仅仅考虑点和点之间的关系。又分为：

1. 基于二部分图资源分配的推荐算法
2. 产品的度信息推荐准确度的影响
3. 通过去除重复属性获得高精度的算法
4. 通过引入耦合阈值提高算法精确性并降低算法复杂性
5. 基于传播的用户相似性度量

 

因为这种算法对数学要求较高，一些度量，计算公式我还在慢慢消化、理解。

 

（四）混合推荐系统

因为基于协同过滤能够做到推荐 非文本化的内容，而基于内容的过滤又有简单有效的优点，以及二部分图算法又优于协同过滤算法，所以把这些优点都综合起来，形成了混合推荐系统。

 

暂时只看了这里，发现数学要求还是蛮高的，所以打算等考试考完了，好好学习一下里面的算法，最好能实现之。

 

 

转载于:https://www.cnblogs.com/shihty/archive/2011/12/12/2284658.html