2023學(xué)年完整公開課版推薦系統(tǒng)

推薦系統(tǒng)1.理解什么是推薦系統(tǒng)

2.掌握推薦方法1.什么是推薦系統(tǒng)

2.推薦方法推薦系統(tǒng)是利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定應(yīng)該購(gòu)買什么產(chǎn)品，模擬銷售人員幫助客戶完成購(gòu)買過程。個(gè)性化推薦是根據(jù)用戶的興趣特點(diǎn)和購(gòu)買行為，向用戶推薦用戶感興趣的信息和商品。隨著電子商務(wù)規(guī)模的不斷擴(kuò)大，商品個(gè)數(shù)和種類快速增長(zhǎng)，顧客需要花費(fèi)大量的時(shí)間才能找到自己想買的商品。這種瀏覽大量無關(guān)的信息和產(chǎn)品過程無疑會(huì)使淹沒在信息過載問題中的消費(fèi)者不斷流失。為了解決這些問題，個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。個(gè)性化推薦系統(tǒng)是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高級(jí)商務(wù)智能平臺(tái)，以幫助電子商務(wù)網(wǎng)站為其顧客購(gòu)物提供完全個(gè)性化的決策支持和信息服務(wù)。1.什么是推薦系統(tǒng)基于內(nèi)容推薦基于內(nèi)容的推薦（Content-basedRecommendation）是信息過濾技術(shù)的延續(xù)與發(fā)展，它是建立在項(xiàng)目的內(nèi)容信息上作出推薦的，而不需要依據(jù)用戶對(duì)項(xiàng)目的評(píng)價(jià)意見，更多地需要用機(jī)器學(xué)習(xí)的方法從關(guān)于內(nèi)容的特征描述的事例中得到用戶的興趣資料。在基于內(nèi)容的推薦系統(tǒng)中，項(xiàng)目或?qū)ο笫峭ㄟ^相關(guān)的特征的屬性來定義，系統(tǒng)基于用戶評(píng)價(jià)對(duì)象的特征，學(xué)習(xí)用戶的興趣，考察用戶資料與待預(yù)測(cè)項(xiàng)目的相匹配程度。用戶的資料模型取決于所用學(xué)習(xí)方法，常用的有決策樹、神經(jīng)網(wǎng)絡(luò)和基于向量的表示方法等。基于內(nèi)容的用戶資料是需要有用戶的歷史數(shù)據(jù)，用戶資料模型可能隨著用戶的偏好改變而發(fā)生變化。2.推薦方法協(xié)同過濾推薦協(xié)同過濾推薦（CollaborativeFilteringRecommendation）技術(shù)是推薦系統(tǒng)中應(yīng)用最早和最為成功的技術(shù)之一。它一般采用最近鄰技術(shù)，利用用戶的歷史喜好信息計(jì)算用戶之間的距離，然后利用目標(biāo)用戶的最近鄰居用戶對(duì)商品評(píng)價(jià)的加權(quán)評(píng)價(jià)值來預(yù)測(cè)目標(biāo)用戶對(duì)特定商品的喜好程度，系統(tǒng)從而根據(jù)這一喜好程度來對(duì)目標(biāo)用戶進(jìn)行推薦。協(xié)同過濾最大優(yōu)點(diǎn)是對(duì)推薦對(duì)象沒有特殊的要求，能處理非結(jié)構(gòu)化的復(fù)雜對(duì)象，如音樂、電影。2.推薦方法基于關(guān)聯(lián)規(guī)則推薦基于關(guān)聯(lián)規(guī)則的推薦（AssociationRule-basedRecommendation）是以關(guān)聯(lián)規(guī)則為基礎(chǔ)，把已購(gòu)商品作為規(guī)則頭，規(guī)則體為推薦對(duì)象。關(guān)聯(lián)規(guī)則挖掘可以發(fā)現(xiàn)不同商品在銷售過程中的相關(guān)性，在零售業(yè)中已經(jīng)得到了成功的應(yīng)用。管理規(guī)則就是在一個(gè)交易數(shù)據(jù)庫(kù)中統(tǒng)計(jì)購(gòu)買了商品集X的交易中有多大比例的交易同時(shí)購(gòu)買了商品集Y，其直觀的意義就是用戶在購(gòu)買某些商品的時(shí)候有多大傾向去購(gòu)買另外一些商品。比如購(gòu)買牛奶的同時(shí)很多人會(huì)同時(shí)購(gòu)買面包。2.推薦方法基于效用推薦基于效用的推薦（Utility-basedRecommendation）是建立在對(duì)用戶使用項(xiàng)目的效用情況上計(jì)算的，其核心問題是怎么樣為每一個(gè)用戶去創(chuàng)建一個(gè)效用函數(shù)，因此，用戶資料模型很大程度上是由系統(tǒng)所采用的效用函數(shù)決定的?；谛в猛扑]的好處是它能把非產(chǎn)品的屬性，如提供商的可靠性（VendorReliability）和產(chǎn)品的可得性（ProductAvailability）等考慮到效用計(jì)算中。2.推薦方法基于知識(shí)推薦基于知識(shí)的推薦（Knowledge-basedRecommendation）在某種程度是可以看成是一種推理（Inference）技術(shù)，它不是建立在用戶需要和偏好基礎(chǔ)上推薦的?；谥R(shí)的方法因它們所用的功能知識(shí)不同而有明顯區(qū)別。效用知識(shí)（FunctionalKnowledge）是一種關(guān)于一個(gè)項(xiàng)目如何滿足某一特定用戶的知識(shí)，因此能解釋需要和推薦的關(guān)系，所以用戶資料可以是任何能支持推理的知識(shí)結(jié)構(gòu)，它可以是用戶已經(jīng)規(guī)范化的查詢，也可以是一個(gè)更詳細(xì)的用戶需要的表示。2.推薦方法組合推薦由于各種推薦方法都有優(yōu)缺點(diǎn)，所以在實(shí)際中，組合推薦（HybridRecommendation）經(jīng)常被采用。研究和應(yīng)用最多的是內(nèi)容推薦和協(xié)同過濾推薦的組合。最簡(jiǎn)單的做法就是分別用基于內(nèi)容的方法和協(xié)同過濾推薦方法去產(chǎn)生一個(gè)推薦預(yù)測(cè)結(jié)果，然后用某方法組合其結(jié)果。盡管從理論上有很多種推薦組合方法