機器學習去年的課件introduction

1、Recommender Systems: A BriefIntroduction劉淇計算機學院、語音及語言工程qiliuql主要內(nèi)容 2 什么是推薦系統(tǒng)o 背景、定義、應(yīng)用場景 推薦方法概述建模oo 推薦算法設(shè)計o 推薦結(jié)果的評估 案例學習o 基于用戶擴展的個性化推薦方法平臺中的推薦應(yīng)用實踐o 未來的路 資料推薦主要內(nèi)容 3 什么是推薦系統(tǒng)o 背景、定義、應(yīng)用場景 推薦方法概述建模oo 推薦算法設(shè)計o 推薦結(jié)果的評估 案例學習o 基于用戶擴展的個性化推薦方法平臺中的推薦應(yīng)用實踐o 未來的路 資料推薦為什么要推薦 4InformationoverloadWe are leaving the ag

2、e of information and entering the age of recommendation.Chris Anderson in The Long Tail背景 5示例-1Java book信息推薦！返回信息量太大背景 6示例-2該買哪一件？個性化信息推薦！背景 7 推薦系統(tǒng)推薦系統(tǒng)l 項目過濾l 主動服務(wù)用戶各得所需網(wǎng)絡(luò)商家項目普通用戶商家增加推薦無處不在豆瓣 8推薦無處不在淘寶 9淘寶商品頁面推薦無處不在Amazon 10背景 11 推薦無處不在面向推薦算法的競賽層出不窮 12Will they contact?面向推薦算法的競賽層出不窮 13被評選為09年IT行業(yè)100

3、 件最重要大事之一面向推薦算法的競賽層出不窮 14主要內(nèi)容 15 什么是推薦系統(tǒng)o 背景、定義、應(yīng)用場景 推薦方法概述建模oo 推薦算法設(shè)計o 推薦結(jié)果的評估 案例學習o 基于用戶擴展的個性化推薦方法平臺中的推薦應(yīng)用實踐o 未來的路 資料推薦背景及相關(guān)工作 16 推薦系統(tǒng)o 首先是一個“System”UI/UE30%Data30%Domain Knowledge20%Algorithm10%Others10%背景及相關(guān)工作 17 推薦系統(tǒng)框架相關(guān)工作 18 推薦方法分類主要內(nèi)容 19 什么是推薦系統(tǒng)o 背景、定義、應(yīng)用場景 推薦方法概述建模oo 推薦算法設(shè)計o 推薦結(jié)果的評估 案例學習o 基于

4、用戶擴展的個性化推薦方法平臺中的推薦應(yīng)用實踐o 未來的路 資料推薦建模 20 非個性化模型o 無法識別單個用戶的IDn 群體智慧建模 21 非個性化模型o 無法識別單個用戶的IDPrint Log DatabaseTransaction DatabaseBACLogClips1B C E2A B3A B C4A B D5A B C D E F G建模 22 個性化模型o 利用項目列表來表示用戶or notnn 數(shù)據(jù)異常稀疏Item-1Item-2Item-3Item-4Item-5Item-6User-14*25*User-2321*3User-3*2*3*4User-4*3354*User-

5、55*34*建模 23 個性化模型 Name Job Like Address Name Tag content category time Value User-id Item-id timeItem-1Item-2Item-3Item-4Item-5Item-6User-14*25*User-2321*3User-3*2*3*4User-4*3354*User-55*34*Three kinds of data: users data, items data, andratings data.建模 24 個性化o 低秩分解模型建模 25 融合情境信息的個性化o 基于情境信息的用戶行為切分n

6、 移動情境模型l 當前時間l 用戶位置l 移動速度l 周圍噪聲。建模 26 融合情境信息的個性化o 基于情境信息的用戶行為切分n 旅游情境季節(jié)模型地區(qū)？建模 27 融合情境信息的個性化o 基于情境信息的用戶行為切分n 旅游情境模型用戶表示情境感知的用戶挖掘模型建模 28 融合情境信息的個性化模型用戶我要買7月1日合肥到北京的車票傳統(tǒng)建模旅游？看??？出差？其他用戶的數(shù)據(jù) 無情境識別 不區(qū)分用戶在不同情境中的需求建模 29 融合情境信息的個性化模型用戶我要買7月1日合肥到北京的車票傳統(tǒng)建模情境感知模型旅游出差？旅游？看??？其他用戶的數(shù)據(jù)情境用戶：18歲當前時間：6月27日主要內(nèi)容 30 什么是推薦

7、系統(tǒng)o 背景、定義、應(yīng)用場景 推薦方法概述建模oo 推薦算法設(shè)計o 推薦結(jié)果的評估 案例學習o 基于用戶擴展的個性化推薦方法平臺中的推薦應(yīng)用實踐o 未來的路 資料推薦推薦算法設(shè)計 31推薦算法設(shè)計 32 基于內(nèi)容推薦算法Java 編程實踐C+編程思想序列模式挖掘C+入門學習Windows Linux 操作系統(tǒng)社交網(wǎng)絡(luò)數(shù)據(jù)挖掘Web挖掘文本分類文本挖掘Unix自動摘要自然語言處理語義計算科研如何寫推薦算法設(shè)計 33 基于內(nèi)容推薦算法o 算法基本步驟：n 分別對用戶和項目建立配置文件；n 通過分析已經(jīng)件；（或瀏覽）過的內(nèi)容，建立或更新用戶的配置文n 比較用戶與項配置文件的相似度，并直接向用戶推薦與

8、其配置文件最相似的項目。o 基于內(nèi)容的推薦算法根本在于信息獲取和信息過濾！推薦算法設(shè)計 34 基于內(nèi)容推薦算法o 令Content(s)為項目s的配置文件，可用向量表示：其中每個分表示對于項s的重要程度。o 令UserProfile(c)為用戶c的配置文件，可用向量表示：表示，其中每個分量表示對于用戶c的重要性。k iwciwc = (wc1 , wc 2 , . , wck )k i量wsiws = (ws1 , ws 2 , . , wsk )推薦算法設(shè)計 35 基于內(nèi)容推薦算法o 配置文件常用特征n 網(wǎng)頁n words, hyperlinks, images, tags, comment

9、s, titles, URL, topicn 音樂n genre, rhythm, melody, harmony, lyrics, meta data, artists, bands, press releases, expert reviews, loudness, energy, time, spectrum, duration, frequency, pitch, key, mode, mood, style, tempon 用戶n age, sex, job, location, time, income, education, language, family status, ho

10、bbies, general interests, Web usage, computer usage, fan club membership, opinion, comments, tags, mobile usagen 情境n time, location, mobility, activity, socializing, emotion推薦算法設(shè)計 36 基于內(nèi)容推薦算法o 信息獲取n TF-IDFn 聚類分析n Bayes分類n 決策樹n 人工神經(jīng)網(wǎng)絡(luò)o 信息過濾n 設(shè)置合理閾值o 信息更新n 人機交互，反饋推薦算法設(shè)計 37 基于內(nèi)容推薦算法o 用戶c對項目s的喜歡程度可以為：o

11、可以使用向量和表示成一個值，例如夾角余弦方法：r=cos(w , w ) =wc ws c,scswcws22wswcr c,s = score(User Pr ofile(c), Content(s)推薦算法設(shè)計 38 基于內(nèi)容推薦算法o 優(yōu)點：n 簡單易懂；n 可以處理新用戶和新項問題（冷啟動）；n 可以不受打分稀疏性問題的約束；n 通過列出推薦項目的內(nèi)容特征，可以解釋為什么推薦這些項o 缺點：n 受到信息獲取技術(shù)的約束，難于提取多聲音流等）的內(nèi)容特征；數(shù)據(jù)（圖形、流、n 難以發(fā)現(xiàn)用戶潛在的但尚未覺察的偏好；n 對用戶不希望得到相似內(nèi)容的推薦系統(tǒng)（如法并不適用。推薦系統(tǒng)），該方推薦算法設(shè)計

12、 39 協(xié)同過濾推薦算法o 基于用戶(User-based)算法n 利用歷史評分信息計算用戶之間的相似性；n 根據(jù)相似度得到鄰居用戶集，利用鄰居用戶在目標的評分信息來目標用戶對目標項的喜好程度；n 根據(jù)計算所得的喜好程度對目標用戶進行推薦。o 需要數(shù)據(jù)：n 用戶評分矩陣user-itemItem-1Item-2Item-3Item-4Item-5Item-6User-14*25*User-2321*3User-3*2*3*4User-4*3354*User-55*34*推薦算法設(shè)計 40 協(xié)同過濾推薦算法o 基于用戶(User-based)算法新用戶推薦算法設(shè)計41 基于用戶的協(xié)同過濾算法o

13、用戶集合：C =c1 , c2 ,., cN ；合o 用戶c對項s的喜好值為：其中 k 為一個標準化因子，通常為與用戶c相似度較高且已經(jīng)對項s進行評價了的用戶集合， sim(i, j) 表示用戶 i 和 j 之間的相似性，S = s r S | 0用戶c的平均打分定義， 其中cc,s ：S =s1 , s2 ,., sM r c為rc = rc,sS csS cCk =1/ | sim (c, c$) |c$ Crc,s = rc + k sim (c, c$) (r c$ ,s - rc )c$ C推薦算法設(shè)計 42 基于用戶的協(xié)同過濾算法-KNNo Pearson相似性：o 夾角余弦相似性

14、o 其中，定義為用戶x和y共同打過分的合。S xy = S x I S y： rrx,sy,ssS xysim(x, y) =co (sx, y) =22 r x,s r y,ssS xy (r x,s - r x) (r y,s - r y)sS xysim(x, y) =22 (r x,s -rx) (r y,s -r y)sS xy推薦算法設(shè)計 43 協(xié)同過濾推薦算法o 基于項目(Item-based)的算法n 利用歷史評分信息計算項之間的相似性；n 根據(jù)相似度得到鄰居，利用目標用戶對這些項的評分信息來預(yù)測目標用戶對目標項的喜好程度；n 根據(jù)計算所得的喜好程度對目標用戶進行推薦。o 需要

15、數(shù)據(jù)：n 用戶評分矩陣user-itemItem-1Item-2Item-3Item-4Item-5Item-6User-14*25*User-2321*3User-3*2*3*4User-4*3354*User-55*34*推薦算法設(shè)計 44 協(xié)同過濾推薦算法o 基于項目(Item-based)的算法新用戶推薦算法設(shè)計 45 基于項目的協(xié)同過濾算法o 用戶集合：C =c1 , c2 ,., cN；合o 用戶c對項s的評分值為：其中，是項 i 和 j 之間的相似性程度 sim(i, j)r= all similar items, t (sim(s, t) rc,t )c,s(| sim(s,

16、t) |)all similar items, t：S =s1 , s2 ,., sM 推薦算法設(shè)計 46 基于項目的協(xié)同過濾算法o 項i和項j之間的相似性計算：n Pearson相似性：n 改進的夾角余弦相似性：其中， 集合。定義為對項i和j都打過分的用戶Cij =Ci I C j (r c,i - r c) (r c, j - r c)cC ijsim(i, j) =22 (rc,i -rc) (rc, j -rc)cC ij (r c,i - ri)(r c, j - r j)cC ijsim(i, j) =22 (rc,i -ri) (rc, j -r j)cC ij推薦算法設(shè)計 47

17、 基于用戶/項目的協(xié)同過濾算法o 常用相似度n 基于評分(Rating-based)的相似度n 在很多電子商務(wù)n 夾角余弦n Pearson相似度n 結(jié)構(gòu)性相似度中，用戶都可以給消費的商品評分n 根據(jù)數(shù)據(jù)的網(wǎng)絡(luò)結(jié)果來計算相似度n Node-dependent similarityn Path-dependent similarityn Random-walk-based similarityn 外部信息相似度n 用戶profile信息相似度n 項目的特息相似度推薦算法設(shè)計 48 其他協(xié)同過濾算法o 基于模型(M-based)n 基于對已有數(shù)據(jù)應(yīng)用統(tǒng)計和n 聚類模型n 線性回歸學習得到的模型進行

18、分類網(wǎng)絡(luò)nnn 極大熵模型模型nn 矩陣分解模型推薦算法設(shè)計 49 基于矩陣分解的協(xié)同過濾算法o 奇異值分解(SVD)用戶項目k項目2.1.V.300S25210043210.R.12.U.推薦算法設(shè)計 50 基于矩陣分解的協(xié)同過濾算法用戶基本分解思想PMF（概率矩陣分解）項目5210043210.推薦算法設(shè)計 51 基于矩陣分解的協(xié)同過濾算法Rating MatrixLatent factorsUsers/items are arranged in dense latent space推薦算法設(shè)計 52 基于矩陣分解的協(xié)同過濾算法Rec推薦算法設(shè)計 53 基于矩陣分解的協(xié)同過濾算法o PMF

19、 Solutionn 目標函數(shù)n MAP maxmize the log-posterior of user and item features overfixed parametersPosteriorln(U ,V | R,s 2 ,ss22 ).UV*Likelihood!Priorln(U | s 2 )* ln(V | s 2 )UVln(R | U ,V ,s 2 )推薦算法設(shè)計 54 概率矩陣分解o MAP learningo Equivalent to minimize sum-of-squared-errors withquadratic regularization ter

20、ms.ssss22lU =, lV=22VUregularizationtermto avoid over fitting推薦算法設(shè)計 55 概率矩陣分解1)Intialize U ,V with small, random values 2)repeatfor each record in the training dataOptimize: stochastic gradient descentE 2.a) Ui = Ui - a= Ui - a-U TVj)(-Vj) +Iij(RuiiUij2.b) Vj = Vj - a E= Vj - aui -Uj)(-i) +TIij(Ri V

21、UVjiuntil convergencestochastic updatesfull updates (averaged over all data-items)lVVjlUUi推薦算法設(shè)計 56 概率矩陣分解測試UsingMovielens datasetSVD train_error SVD test_error-PMFPMFtrain_errortest_errorepochMAE推薦算法設(shè)計 57 協(xié)同過濾算法o 優(yōu)點：p 具有推薦新信息的能力，可以發(fā)現(xiàn)用戶潛在的但趣偏好；尚未覺察的興p 能夠推薦藝術(shù)品、音樂、o 缺點：等難以進行內(nèi)容分析的項；p 新用戶、新項問題（冷啟動）；p 消費

22、數(shù)據(jù)的稀疏性問題；p 算法的可擴展性問題。推薦算法設(shè)計 58 混合推薦算法系統(tǒng)相結(jié)合多種方法取其優(yōu)oo 協(xié)同過濾結(jié)合基于內(nèi)容的特性o 基于內(nèi)容算法結(jié)合協(xié)同過濾的特性o 構(gòu)建一種統(tǒng)一算法：結(jié)合考慮協(xié)同過濾和基于內(nèi)容算法主要內(nèi)容 59 什么是推薦系統(tǒng)o 背景、定義、應(yīng)用場景 推薦方法概述建模oo 推薦算法設(shè)計o 推薦結(jié)果的評估 案例學習o 基于用戶擴展的個性化推薦方法平臺中的推薦應(yīng)用實踐o 未來的路 資料推薦結(jié)果評估 60結(jié)果評估 61 以精度為目標o 評價精度n MAE: Mean Absolute Errorn RMSE: Root Mean Squared Error結(jié)果評估 62 以精度為

23、目標o 排序精度n Precision、Recall、F-measuren Degree of Agreement(DOA)n NDCG、MAPn Spearmans Correlation、Kendalls 、Jaccard Similarityn Precision (p) =TPTP + FPRecall (r) =TPTP + FNF-measure (F ) = 2rp =2 TP1r + p2 TP + FP + FN結(jié)果評估 63 以精度為目標o 評分VS 排序n 基于不同的假設(shè)n 評分n 排序n 不足之處n 評分n 排序o 其它問題經(jīng)常假定用戶有機會評價所有的項目，所以使用評分

24、代表用戶偏好 算法一般認為用戶喜歡那些他們已經(jīng)消費過的項目:用戶不可能接觸所有項目，而且只是驟：用戶沒消費的不一定代表不喜歡，消費的不一定是喜歡（正負反饋）n 具體展示方式n 結(jié)果是否解釋結(jié)果評估 64 以多樣性為目標o 列表內(nèi)部多樣性n 內(nèi)部相似度o 列表外部多樣性n 前后兩次推薦的相似性覆蓋率oo 新穎性、意外性結(jié)果評估 65 其他約束目標o 潛在消費量o 潛在o 效率、可擴展性o 算法魯棒性o 用戶滿意度n A/B Testo 多個目標的優(yōu)化o 。主要內(nèi)容 66 什么是推薦系統(tǒng)o 背景、定義、應(yīng)用場景 推薦方法概述建模oo 推薦算法設(shè)計o 推薦結(jié)果的評估 案例學習o 基于用戶擴展的個性化

25、推薦方法平臺中的推薦應(yīng)用實踐o 未來的路 資料推薦基于用戶擴展的個性化推薦方法 67 研究o 當前協(xié)同過濾推薦算法的不足n 用戶-項目（User-Item）表示模型-無法捕獲用戶真正需求n 僅考慮用戶當前-容易導致過擬合基于用戶擴展的個性化推薦方法 68 研究假設(shè)o 用戶的消費行為由一組隱式?jīng)Q定n 用戶可以表示成的分布可以表示成項目的分布n抽取LDA概率圖模型基于用戶擴展的個性化推薦系統(tǒng) 69表示o LDA模型假設(shè)n 用戶(U) 文檔n 項目( I ) 單詞(T) 主題no 抽取結(jié)果ij= P(Tj|Ui)nn ij= P(Ii|Tj)Jin= P(Ti )基于Gibbs 抽樣的LDA 推導過

26、程實例基于用戶擴展的個性化推薦系統(tǒng) 70擴展o 構(gòu)建關(guān)聯(lián)圖n 由項目-二部圖投影得到o 用戶擴展n 給定用戶當前向量，在關(guān)聯(lián)圖上進行隨機游走項目-二部圖關(guān)聯(lián)圖基于用戶擴展的個性化推薦方法 71 生成推薦列表o 直接對項目進行排序n 計算P(Ij|Ui)o 由評分生成推薦n 面向用戶的協(xié)同過濾算法n 計算用戶相似度，尋找最近鄰居n 根據(jù)近鄰推薦過程o 離線進行模型推導n LDA推導進行評分關(guān)聯(lián)圖no 實時更新用戶基于用戶擴展的個性化推薦方法 72 推薦算法iExpand流程第一二三四步：基使根構(gòu)用建于據(jù) 用隨LPD(機戶IA生的進成用關(guān)行當戶聯(lián)推獲展取基于用戶擴展的個性化推薦方法 73 實驗設(shè)置

27、三個數(shù)據(jù)集的統(tǒng)計信息 對比方法o 基于圖模型的推薦算法n ItemRank、L+o 基于降維的推薦算法n LDA、SVD 評價指標o DOA、Recall、TOP-K基于用戶擴展的個性化推薦方法 74 DOA、Recall結(jié)果使用兩個評價指標，iExpand在三個數(shù)據(jù)集的不同稀疏度劃分上表現(xiàn)都為最優(yōu)！基于用戶擴展的個性化推薦方法 75Top-K結(jié)果使用Top-K評價指標，iExpand 在三個數(shù)據(jù)集的絕大部分劃分上表現(xiàn)都為最優(yōu)！基于用戶擴展的個性化推薦方法 76 實例學習理解o中概率最大的5部三個o 推薦實例U140及相應(yīng)的推薦結(jié)果基于用戶擴展的個性化推薦方法 77 小結(jié)IEEE Trans.

28、 SMC-Bo 提出iExpand協(xié)同過濾推薦算法n 采用用戶-項目三層推薦模型n 利用隨機游走擴展用戶當前n 可應(yīng)對用戶過擬合問題n 實驗表明iExpand可以取得更優(yōu)的排序推薦效果主要內(nèi)容 78 什么是推薦系統(tǒng)o 背景、定義、應(yīng)用場景 推薦方法概述建模oo 推薦算法設(shè)計o 推薦結(jié)果的評估 案例學習o 基于用戶o 未來的路 資料推薦擴展的個性化推薦方法平臺中的推薦應(yīng)用實踐平臺中的推薦應(yīng)用實踐 79平臺-愛吼網(wǎng)平臺中的推薦應(yīng)用實踐 80 隨時隨地K歌，專業(yè)評測，PK互動，以歌會友用戶PK互動用戶道具評價最優(yōu)初始項目推薦算法應(yīng)用實踐 81 翻唱留言、關(guān)注互動關(guān)注、社交、評價平臺中的推薦應(yīng)用實踐

29、82 愛吼網(wǎng)中的推薦場景基于得分的歌曲推薦Next-Song推薦能得高分的翻唱歌曲推薦接下來唱哪首？關(guān)注成為好友社交好友推薦社交推薦PK成為好友有影響力的用戶推薦推廣口碑平臺中的推薦應(yīng)用實踐 83 基于得分o 得分的歌曲推薦n 通過歷史翻唱數(shù)據(jù)，從中挖掘出用戶唱歌水平，最后o 歌曲推薦翻唱得分n 根據(jù)o 系統(tǒng)體驗得分，推薦給用戶TA可能得高分的歌曲n 建立簡單的離線訓練系統(tǒng)，方便用戶體驗實際推薦效果Item-1Item-2Item-3Item-4Item-5Item-6User-14*25*User-2321*3User-3*2*3*4User-4*3354*User-55*34*基于得分的歌

30、曲推薦 84 基于矩陣分解的協(xié)同過濾算法基本分解思想常用模型PMF（概率矩陣分解）基于得分的歌曲推薦 85 建立離線訓練系統(tǒng)基于得分的歌曲推薦 86歷史Demo地址：平臺中的推薦應(yīng)用實踐 87 Next-Song推薦alized Markov Embeddingoo 根據(jù)空間中的距離大小生成歌曲推薦列表平臺中的推薦應(yīng)用實踐 88 社交好友推薦算法o 結(jié)合SRW，構(gòu)建兩步框架進行鏈路n 利用社交網(wǎng)絡(luò)結(jié)構(gòu)n 結(jié)合點、邊的屬性平臺中的推薦應(yīng)用實踐 89 有影響力的o 數(shù)據(jù)集（新浪n 用戶（17,428）用戶推薦實名認證用戶）n 好友關(guān)系（1,410,807）n 用戶、所發(fā)以“愛吼網(wǎng)”為主題以“數(shù)據(jù)挖

31、掘”為主題主要內(nèi)容 90 什么是推薦系統(tǒng)o 背景、定義、應(yīng)用場景 推薦方法概述建模oo 推薦算法設(shè)計o 推薦結(jié)果的評估 案例學習o 基于用戶擴展的個性化推薦方法平臺中的推薦應(yīng)用實踐o 未來的路 資料推薦未來的路 91 開拓新的應(yīng)用領(lǐng)域o 學習和結(jié)合領(lǐng)域知識n 醫(yī)療推薦n 投資推薦推薦教育nnn 。未來的路 92教育o 致力于學生能力提高的試題推薦、協(xié)作學習推薦策略易錯試題個性化推薦未來的路 93 各之間的約束關(guān)系有待深入理解用戶應(yīng)用背景項目商家未來的路 94 基于風險的投資推薦未來的路 95 基于風險的投資推薦未來的路 96 利用多源數(shù)據(jù)指導推薦算法設(shè)計 建立可結(jié)合多源、連續(xù)、異構(gòu)數(shù)據(jù)的用戶模

32、型 如何應(yīng)對可能帶來的用戶隱私保護問題 一個APP就可以修改和用戶日歷項、設(shè)備狀態(tài)、自動USB讀寫等未來的路 97 安全隱私感知的移動應(yīng)用推薦系統(tǒng)盡管這個應(yīng)用很流行，但是一旦被木馬，就會將用戶中的日程信息， 息通過外部狀態(tài)等隱私信設(shè)別泄漏出去。未來的路 98 用戶的主動引導o 實現(xiàn)從用戶滿足、引導到生成的功能轉(zhuǎn)變多樣n 深入理解用戶需求和項目特性薦用戶主動引導用戶擴展、當前表示情境感知的建模精準推薦未來的路 99 基于口碑的用戶引導o 在社交網(wǎng)絡(luò)中找到由K個點組成的影響力最大的一組用戶未來的路 100 多學科的必然交叉o The “Sweet” Spotn 挖掘數(shù)據(jù)背后隱含的用戶心理n 使用學

33、原理指導算法與實驗設(shè)計n 從消費行為間的關(guān)聯(lián)關(guān)系到因果關(guān)系的挖掘轉(zhuǎn)變EconDM/MLPsych未來的路 101 Opportunities and Challenges Facing Recommender Systems: WhereCan We Go from Here? -Alex Tuzhilin主要內(nèi)容 102 什么是推薦系統(tǒng)o 背景、定義、應(yīng)用場景 推薦方法概述建模oo 推薦算法設(shè)計o 推薦結(jié)果的評估 案例學習o 基于用戶擴展的個性化推薦方法平臺中的推薦應(yīng)用實踐o 未來的路 資料推薦推薦資料 103o Conferencen ACM SIGKDD, IEEE ICDM, ACM RecSys, SIGIR, WWWo Journalsn IEEE TKDE, KAIS, DMKD、ACM TKDD, ACM