指纹图谱相似度评价软件_浅析个性化推荐&知识图谱相结合

推荐系统是一种信息过滤系统，用于预测用户对物品的“评分”或“偏好”。

推荐系统火热，是互联网、大数据、人工智能发展的必然趋势。其可应用于各个细分领域。如：新闻微博、电商、外卖团购、视频音乐、搜索查询、社交人脉、证券股票等等。

目前推荐系统主要4种推荐方式：热门推荐、人工推荐、相关推荐、个性化推荐。

热门推荐顾名思义就是热度比较高的当下热点事件或内容，有广泛的社会关注；人工推荐是编辑或内容运营人员将优秀的文章或物品进行有针对性的推送；相关推荐则为根据当下浏览的内容按照一定的信息或关联规则进行内容推荐；个性化推荐时根据用户的历史浏览记录，通过算法和模型进行机器学习为用户自身定制化的推荐。本文重点关注个性化推荐与知识图谱相结合的方式。

产生背景

Web2.0我们常用搜索引擎获取自己需要的信息，即使现在，搜索引擎也是主流的信息资料获取途径。但使用搜索引擎的背景是目标明确的情况下，同时也需要将目标转化为搜索关键字，并在巨量的结果集下筛选信息会浪费大量的时间、资源。

当用户需求较为模糊不能转化为搜索关键字时，推荐系统优势便凸显出来。

推荐系统浅析

推荐方式

推荐系统产生推荐列表的常见方式可总结为2种：基于内容与基于协同过滤。

基于内容推荐做法：利用有关物品的离散特征，推荐具有类似性质的相似物品。(以物推物)

此方法根据用户历史信息来识别和推荐类似内容。历史信息可手动定义，也根据类似性算法自动提取。与协同过滤的最大区别在于它仅依赖用户自身的信息或历史访问记录，而不依赖其他相似用户的历史行为。

基于协同过滤做法：根据用户的历史行为，如：购买、评价、点赞等行为，结合其他相邻用户的相似决策建立模型，用于预测当前用户对哪些物品感兴趣(或预测某些物品感兴趣的程度)。

由于协同过滤要考虑其他用户的行为，使用群组知识并基于相似用于形成推荐内容。本质上，推荐内容基于多个相似用户之间的自动协作，并过滤出相似偏好或行为的用户。

相似性: 根据所用的特定算法，将拥有类似兴趣爱好的用户进行分组，用于推荐内容。可用韦恩图表示相似程度。

Tips: 推荐系统是代替搜索引擎帮用户找到合适的物品，而推荐系统实现底层却使用搜索引擎算法对数据进行索引，还有其他大量相同的技术。但是在用户需求与应用场景上，推荐系统离用