推荐系统
2016-03-08 15:07:36 0 举报
AI智能生成
推荐系统是一种利用用户历史行为数据和物品信息,为用户提供个性化推荐服务的智能系统。它通过对用户的行为数据进行分析和挖掘,了解用户的兴趣偏好,并根据这些信息为用户推荐他们可能感兴趣的物品或内容。推荐系统广泛应用于电子商务、社交网络、新闻媒体等领域,可以提高用户的满意度和忠诚度,同时也为商家提供了更多的销售机会。目前,常用的推荐算法包括基于内容的推荐、协同过滤推荐等。随着人工智能技术的不断发展,推荐系统也将越来越智能化和精准化。
作者其他创作
大纲/内容
评估
实例
基于近邻推荐
基础
基于内容
基于物品
评分
分类
协同过滤
回归or分类
评分scale
离散
连续
评分分布
极端
平均
基于用户
评分
分类
用户与物品比较
准确性
小部分高可信用户
用户量大于物品量
Amazon
基于物品
用户量小于物品量
论文推荐
基于用户
效率
用户量大
基于物品
用户量小
基于用户
稳定性
合理性
实现要素
评分标准化
均值中心化
Z-score标准化
方法选择
极度稀疏
preference-based filtering
惊喜度
相似度权重
双重角色
选择可信近邻
计算近邻权重
近邻推荐中最重要
基于关联的相似度
余弦相似度
皮尔逊相似度
其他相似度
均方差
斯皮尔曼等级关联
重要性
差异性
近邻选择
步骤
全局过滤最有可能近邻
预测中选择合适近邻
过滤
Top-N
阈值
负值
过滤方法可结合
预测
近邻列表
k值选择
进阶技术
缺陷
覆盖受限
稀疏敏感
降维
评分矩阵分解
LSI
Latent semantic indexing
SVD
实际不可用
基于图的方法
协同滤波
反馈
显示
隐式
两种主要技术
基于领域的方法
重点关注
物品间关系
用户间关系
隐语义模型
矩阵因子分解模型
隐语义空间映射
改进
传统
解决稀疏问题
近期
预备知识
基准预测
偏置
最小二乘法
梯度下降
Netflix
RMSE
关注大误差
topK提升更显著
低活跃用户
真实情况
隐式反馈
显式反馈不足时有用
历史记录型数据
二元矩阵
评分并非随机缺失
因子分解模型
SVD
信息不完整
填充
大计算量
数据倾斜
隐式维度
正则化平方误差
随机梯度
交替最小二成
SVD++
第二物品因子集合
多个额外物品因子集合
时间敏感因子
比较
准确度随因子维度上升
timeSVD++最好
基于邻域的模型
基础
早期
简单
效果低于隐语义模型
便于冷启动
相似度
皮尔逊相关系数
插值
增强的基于邻域的模型
全局化的邻域模型
因式分解的邻域模型
比较邻域和因子分解
相似
线性模型
SVD模型简化
转换为基于物品模型
和基于用户也等价
其实可以互补
0 条评论
下一页