推荐系统
2020-03-31 14:44:56 0 举报
AI智能生成
推荐系统
作者其他创作
大纲/内容
推荐系统
什么是推荐系统
推荐系统通过发掘用户的行为,找到用户的个性化需求,从而将长尾物品准确推荐给需要它的用户,帮助用户找到他们感兴趣但很难发现的物品。高质量的推荐系统会使用户对系统产生依赖,因此,推荐系统不仅能为用户提供个性化服务,还能与用户建立长期稳定的关系,提高用户忠诚度,防止用户流失。
推荐系统如何评测
验证方法
离线实验
离线实验的方法的步骤如下:a)通过日志系统获得用户行为数据,并按照一定格式生成一个标准的数据集;b)将数据集按照一定的规则分成训练集和测试集;c)在训练集上训练用户兴趣模型,在测试集上进行预测;d)通过事先定义的离线指标,评测算法在测试集上的预测结果。从以上步骤看出,离线实验的都是在数据集上完成的。意味着,它不需要一个实际的系统作为支撑,只需要有一个从日志中提取的数据集即可
离线实验的优点是:不需要有对实际系统的控制权;不需要用户参与实践;速度快,可以测试大量算法;
缺点是:数据集的稀疏性限制了适用范围,例如一个数据集中没有包含某用户的历史行为,则无法评价对该用户的推荐结果;评价结果的客观性,无法得到用户主观性的评价;难以找到离线评价指标和在线真实反馈(如 点击率、转化率、点击深度、购买客单价、购买商 品类别等)之间的关联关系;
用户调查
用户调查需要一些真实的用户,让他们在需要测试的推荐系统上完成一些任务。在他们完成任务时,需要观察和记录用户的行为,并让他们回答一些问题。最后,我们通过分析他们的行为和答案,了解测试系统的性能。
用户调查的优点是:可以获得用户主观感受的指标,出错后容易弥补
缺点是:招募测试用户代价较大;无法组织大规模的测试用户,统计意义不足;
在线实验
在完成离线实验和用户调查之后,可以将系统上线做AB测试,将它和旧算法进行比较。在线实验最常用的评测算法是【A/B测试】,它通过一定的规则将用户随机分成几组,对不同组的用户采用不同的算法,然后通过统计不同组的评测指标,比较不同算法的好坏。它的核心思想是:a) 多个方案并行测试;b) 每个方案只有一个变量不同;c) 以某种规则优胜劣汰。其中第2点暗示了A/B 测试的应用范围:A/B测试必须是单变量。对于推荐系统的评价中,唯一变量就是--推荐算法。
AB测试的优点是:可以公平获得不同算法实际在线时的性能指标,包括商业上关注的指标;
缺点是:周期较长,必须进行长期的实验才能得到可靠的结果;大型网站做AB测试,可能会因为不同团队同时进行各种测试对结果造成干扰,所以切分流量是AB测试中的关键。不同的层以及控制这些层的团队,需要从一个统一的地方获得自己AB测试的流量,而不同层之间的流量应该是正交的。
评判指标
用户满意度
用户满意度是评测推荐系统的重要指标,无法离线计算,只能通过用户调查或者在线实验获得。调查问卷,需要考虑到用户各方面的感受,用户才能针对问题给出准确的回答。在线系统中,用户满意度通过统计用户行为得到。比如用户如果购买了推荐的商品,就表示他们在一定程度上满意,可以用购买率度量用户满意度。一般情况,我们可以用用户点击率、停留时间、转化率等指标度量用户的满意度。
预测准确度
评分预测
TopN推荐
覆盖率
多样性
新颖性
惊喜度
信任度
实时性
健壮性
商业目标
评测维度
用户维度
时间维度
物品维度
推荐系统通用模型
用户模型
(1)用户属性:人口统计学信息;(2)用户手动输入的信息:包括用户在搜索引擎中输入的关键词,用户反馈的信息,对推荐对象的喜好程度等;(3)用户的浏览行为和浏览内容:包括浏览次数、频率、停留时间等,浏览页面时的操作(收藏、保存、复制等)等。服务器端保存的日志也能较好地记录用户的浏览行为和内容。(4)推荐对象的属性特征:不同的推荐对象,用户建模的输入数据也不同。网页等推荐对象通常考虑对象的内容和用户之间的相似性,而产品等推荐对象通常考虑用户对产品的评价。为提高推荐质量,推荐对象的相关的属性也要考虑进去,比如除网页内容以外,还要考虑网页的发布人、时间等。产品类的对象还要考虑产品的品牌、价格、出售时间等。
用户模型的建模方法主要有遗传算法、基于机器学习的 方法,例如 TF-IDF、自动聚类、贝叶斯分类器、决策树归纳和神经网络方法等。
推荐对象模型
(1)提取推荐对象的什么特征,如何提取,提取的特征用于什么目的。(2)对象的特征描述和用户文件描述之间有关联。(3)提取到的每个对象特征对推荐结果会有什么影响。(4)对象的特征描述文件能否自动更新。
推荐算法模型
基于内容的推荐
协同过滤推荐
基于关联规则的推荐
基于知识的推荐
混合推荐
推荐算法详述
基于内容推荐
推荐对象的特征提取
协同过滤
基于领域模型
基于用户协同过滤UserCF
隐语义模型
LFM
基于图的模型
随机游走算法
挖掘用户与物理的关联的规则
基某一领域一整套规则与路线推荐
急各家子所长
数据来源
利用用户行为信息
利用用户标签
利用上下文信息
利用社交网络数据
冷启动问题
用户冷启动
物品冷启动
系统冷启动
推荐系统实例
推荐系统架构图
0 条评论
回复 删除
下一页