《推荐引擎讲解》由会员分享，可在线阅读，更多相关《推荐引擎讲解（43页珍藏版）》请在金锄头文库上搜索。
1、1首都经济贸易大学信息学院研究生首都经济贸易大学信息学院研究生推荐引擎推荐引擎/推荐系统推荐系统首都经济贸易大学首都经济贸易大学信息学院信息学院康永胜康永胜2推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用3推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用什么是推荐引擎/推荐系统？推荐引擎的作用推荐引擎的必要性搜索引擎与推荐引擎的区别推荐引擎的特点4什么是推荐引擎/推荐系统？综合利用用户的行为、属性，对象的属性、内容、分类，用户对对象的喜好，以及用户之间的社交关系等等，挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的对象。数据源 处理 输出
2、数据源用户：行为、属性对象：属性、内容、分类用户、对象间：偏好用户间：社交关系、信任处理挖掘用户喜好输出为用户推荐其感兴趣或者需要的对象5推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用什么是推荐引擎/推荐系统？推荐引擎的作用推荐引擎的必要性搜索引擎与推荐引擎的区别推荐引擎的特点6推荐引擎的特点1.主动推荐：推荐引擎不是被动查找，而是主动推送；不是独立媒体，而是媒体网络；不是检索机制，而是主动学习。2.推荐方法多样化：推荐引擎利用基于内容、基于用户行为、基于社交关系网络等多种方法，为用户推荐其喜欢的商品或内容。 7推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推
3、荐策略的混合应用什么是推荐引擎/推荐系统？推荐引擎的作用推荐引擎的必要性搜索引擎与推荐引擎的区别推荐引擎的特点8推荐引擎的作用1.提高用户购物体验，提高转化率和增加用户黏度；2.加速用户从浏览到购买的过程；3.挖掘用户潜在需求，提高用户购买的品类数和多样性。9推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用什么是推荐引擎/推荐系统？推荐引擎的作用推荐引擎的必要性搜索引擎与推荐引擎的区别推荐引擎的特点10推荐引擎的必要性网络对象数量的井喷式增长用户需求不明确11推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用什么是推荐引擎/推荐系统？推荐引擎的作用
4、推荐引擎的必要性搜索引擎与推荐引擎的区别推荐引擎的特点12搜索引擎与推荐引擎的区别是否主动学习是否主动学习用户需求是否明确用户需求是否明确搜索引擎搜索引擎否否推荐引擎推荐引擎是是13推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用传统推荐引擎工作原理基于人口统计学的推荐引擎工作原理及优缺点基于内容的推荐引擎工作原理及优缺点基于协同过滤的推荐引擎工作原理及优缺点传统推荐引擎分类基于传统推荐策略的推荐引擎举例14传统推荐引擎工作原理15推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用传统推荐引擎工作原理基于人口统计学的推荐引擎工作原理及优缺点基于内容
5、的推荐引擎工作原理及优缺点基于协同过滤的推荐引擎工作原理及优缺点传统推荐引擎分类基于传统推荐策略的推荐引擎举例16传统推荐引擎分类根据推荐引擎是不是为不同的用户推荐不同的数据推荐引擎是不是为不同的用户推荐不同的数据1.基于大众行为的推荐引擎2.个性化推荐引擎17传统推荐引擎分类根据推荐引擎推荐引擎的数据源的数据源1.基于人口统计学的推荐2.基于内容的推荐3.基于协同过滤的推荐18推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用传统推荐引擎工作原理基于人口统计学的推荐引擎工作原理及优缺点基于内容的推荐引擎工作原理及优缺点基于协同过滤的推荐引擎工作原理及优缺点传统推荐引擎分
6、类基于传统推荐策略的推荐引擎举例19基于人口统计学的推荐引擎工作原理20基于人口统计学的推荐引擎优缺点优点：（1）对新用户来说没有冷启动的问题（2）对推荐对象而言具有领域独立性缺点：（1）对用户的分类粗糙，尤其是对于品味要求比较高的领域无法产生良好的推荐结果；（2）这个方法可能涉及到一些与信息发现问题本身无关却比较敏感的信息，比如用户的年龄等，这些用户信息不是很好获取。21推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用传统推荐引擎工作原理基于人口统计学的推荐引擎工作原理及优缺点基于内容的推荐引擎工作原理及优缺点基于协同过滤的推荐引擎工作原理及优缺点传统推荐引擎分类基于
7、传统推荐策略的推荐引擎举例22基于内容的推荐引擎工作原理23基于内容的推荐引擎优缺点优点：能很好的建模用户的口味，提供较为精确的推荐。缺点：（1）需要对物品进行分析和建模，推荐的质量依赖于对物品模型的完整性和全面程度。它是领域相关的。（2）相似度的分析仅仅依赖于物品本身的特征，这里没有考虑人对物品的态度。（3）对于新用户有“冷启动”的问题。24推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用传统推荐引擎工作原理基于人口统计学的推荐引擎工作原理及优缺点基于内容的推荐引擎工作原理及优缺点基于协同过滤的推荐引擎工作原理及优缺点传统推荐引擎分类基于传统推荐策略的推荐引擎举例25
8、基于协同过滤的推荐引擎工作原理基于用户的协同过滤26基于协同过滤的推荐引擎工作原理基于项目（对象）的协同过滤27基于协同过滤的推荐引擎的优缺点优点：（1）它不需要对物品或者用户进行严格的建模，而且不要求物品的描述是机器可理解的，所以这种方法也是领域无关的。（2）这种方法计算出来的推荐是开放的，可以共用他人的经验，很好的支持用户发现潜在的兴趣偏好。缺点：（1）方法的核心是基于历史数据，所以对新物品和新用户都有“冷启动”的问题。（2）推荐的效果依赖于用户历史偏好数据的多少和准确性。（3）在大部分的实现中，用户历史偏好是用稀疏矩阵进行存储的，所以协同过滤面临数据稀疏的严重问题。（4）对于一些特殊品味
9、的用户不能给予很好的推荐。（5）对恶意“托”攻击比较敏感。28推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用传统推荐引擎工作原理基于人口统计学的推荐引擎工作原理及优缺点基于内容的推荐引擎工作原理及优缺点基于协同过滤的推荐引擎工作原理及优缺点传统推荐引擎分类基于传统推荐策略的推荐引擎举例29基于传统推荐策略的推荐引擎举例Amazon在线购物网站Amazon 利用可以记录的所有用户在站点上的行为，根据不同数据的特点对它们进行处理，并分成不同区为用户推送推荐：l今日推荐 : 根据用户的近期的历史购买或者查看记录，并结合时下流行的物品给出一个折中的推荐。 l新产品的推荐 :
10、采用基于内容的推荐机制，将一些新到物品推荐给用户。在方法选择上由于新物品没有大量的用户喜好信息，所以基于内容的推荐能很好的解决这个“冷启动”的问题。 l捆绑销售 : 采用数据挖掘技术对用户的购买行为进行分析，找到经常被一起或同一个人购买的物品集，进行捆绑销售，这是一种典型的基于项目的协同过滤推荐机制。 l别人购买 / 浏览的商品: 这也是一个典型的基于项目的协同过滤推荐的应用，通过社会化机制用户能更快更方便的找到自己感兴趣的物品。 30基于传统推荐策略的推荐引擎举例Amazon在线购物网站Amazon 利用有它大量历史数据的优势，量化推荐原因。基于社会化的推荐，Amazon 会给你事实的数据，
11、让用户信服，例如：购买此物品的用户百分之多少也购买了那个物品； 基于物品本身的推荐，Amazon 也会列出推荐的理由，例如：因为你的购物框中有 *，或者因为你购买过 *，所以给你推荐类似的 *。31推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用信任机制、社交网络、个性化推荐之间的关系社交网络在推荐系统中的应用原理基于信任的推荐系统如何缓解协同过滤的缺陷信任机制和社交网络的引入32信任机制和社交网络的引入协同过滤存在着诸如冷启动、数据稀疏、托攻击敏感的问题。信任机制和社交网络可以在一定程度上缓解或者解决这些问题。33推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种
12、推荐策略的混合应用信任机制、社交网络、个性化推荐之间的关系社交网络在推荐系统中的应用原理基于信任的推荐系统如何缓解协同过滤的缺陷信任机制和社交网络的引入34信任机制、社交网络、个性化推荐之间的关系熟人（自己信任的人）的推荐更有说服力社交网络是现阶段最有代表性的网络信任体系35推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用信任机制、社交网络、个性化推荐之间的关系社交网络在推荐系统中的应用原理基于信任的推荐系统如何缓解协同过滤的缺陷信任机制和社交网络的引入36社交网络在推荐系统中的应用原理37推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用信任机制
13、、社交网络、个性化推荐之间的关系社交网络在推荐系统中的应用原理基于信任的推荐系统如何缓解协同过滤的缺陷信任机制和社交网络的引入38基于信任的推荐系统如何缓解协同过滤的缺陷冷启动数据稀疏托攻击敏感推荐结果缺乏说服力39推荐系统概述传统推荐系统介绍基于信任的推荐系统介绍多种推荐策略的混合应用40多种推荐策略的混合应用1. 加权策略：根据预先定义的加权值把相似性和信任值结合起来2. 混合策略：每种方法产生各自的推荐列表，然后把两个列表融合为一个列表发送给用户41多种推荐策略的混合应用3.概率论策略：优先选择那些既相似又受信人的用户，而不是只相似或者只受信任的用户4.转换策略：系统选择一种单一的推荐方法，当且仅当这种发让无法让人满意的时候才转换到另一种方法42多种推荐策略的混合应用5.级策略：这种思路是创造一种严格的等级制度，在该制度下一个比较弱的推荐系统不可能颠覆一个较强的推荐系统产生的结果，但是可以完善这些结果。一个用户只有和当前用户相似并被当前用户所信任是才能被选择。即：第一种方法用来选择受信任用户，第二种方法在信任用户中选择相似用户43 到此为止，谢谢！到此为止，谢谢！
