资源描述：
《个性化推荐知识汇总》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、一基于协同过滤(collaborativefiltering，CF)的推荐系统通过收集来自其他相似用户或项目的评价信息，自动预测当前用户的兴趣偏好。协同过滤的基本假设是用户会更喜欢那些相似用户偏爱的商品，已被广泛应用在一些大型的商业系统，如亚马逊和阿里巴巴等。目前，协同过滤算法主要包括基于内存的、基于模型的以及二者相混合的推荐技术”。使用最多的模型是k最近邻(k-nearestneighbor，kNN)协同过滤技术，包括基于用户推荐和基于项目推荐两种技术。一般说来，本体描述了某个应用领域的概念和概念之
2、间的关系，使得它们具有唯一确定的含义，获得该领域的相关知识，提供对该领域知识的共同理解，便于用户和计算机之间进行交流。OntoECRec推荐模型二1995年，卡内基·梅隆大学的A．RDben等人在美国人工智能协会上提出了个性化导航系统we-watcher，真正标志着个性化服务的开始；1997年3月，(communicationsoftheAcM)。组织了个性化推荐系统的专题报道，标志着个性化服务已经被技术界高度重视；1999年，德国Dresden技术大学的J．Tania实现了个性化电子商务原型系统TE
3、LLIM，标志着个性化服务开始向全球发展；2000年，NEc研究院的D．B．Kurt等人为搜索引擎atesecr增加了个性化推荐功能，实现citeseer的个性化。2001年，纽约大学的GediminaSAdomavicius和AlexanderTuzhilin实现了个性化电子商务网站的用户建模系统1：1Pro。个性化推荐服务体系结构中，信息收集模块是个性化服务系统的基础模块。用户的信息包括了用户的个人基本资料、购买的历史记录及浏览记录等。个人基本资料可以从用户注册表单中获得；购买的历史记录主要存放于
4、电子商务网站的后台交易数据库中，包含了每位用户以前历次购物的详细情况记录，如购物时间、商品清单、价格、折扣等，同时也可以收集用户放入购物篮而未购买的商品记录，以及用户过去浏览过的商品信息等。当然要搜集用户的行为信息，日志文件是必不可少的，如要收集服务器日志，则要在服务器端获取，抽取出特定用户的访问记录；如要收集用户浏览的页面和浏览行为，则既可以在用户端获得，也可以在服务器端从用户记录中获得。三尽管协同过滤技术在个性化推荐系统中获得了极大的成功，但随着站点结构、内容的复杂度和用户人数的不断增加，协同过滤
5、技术的一些缺点逐渐暴露出来，主要有：①稀疏性(sparsity)：在许多推荐系统中，每个用户涉及的信息量相当有限，在一些大的系统如亚马逊网站中，用户最多不过就评估了上百万本书的1％～2，造成评估矩阵数据相当稀疏，难以找到相似用户集，导致推荐效果大大降低．②扩展性(scalability)：“最近邻居”算法的计算量随着用户和项的增加而大大增加，对于上百万之巨的数目，通常的算法将遭遇到严重的扩展性问题．③精确性(accuracy)：通过寻找相近用户来产生推荐集，在数量较大的情况下，推荐的可信度随之降低．四
6、一个完整的推荐系统由3个部分组成:收集用户信息的行为记录模块,分析用户喜好的模型分析模块和推荐算法模块.行为记录模块负责记录用户的喜好行为,例如问答、评分、购买、下载、浏览等.问答和打分的信息相对好收集,然而有的用户不愿意向系统提供这些信息,那么就需要通过其他方式对用户的行为进行分析,例如购买、下载、浏览等行为.通过这些用户的行为记录分析用户的潜在喜好产品和喜欢程度.这就是模型分析模块要完成的工作.模型分析模块的功能能够对用户的行为记录进行分析,建立合适的模型来描述用户的喜好信息.最后是推荐算法模块,
7、利用后台的推荐算法,实时地从产品集合中筛选出用户感兴趣的产品进行推荐.其中,推荐算法模块是推荐系统中最为核心的部分.协同过滤推荐系统最大的优点是对推荐对象没有特殊的要求,能处理音乐、电影等难以进行文本结构化表示的对象.基于用户的协同推荐算法随着用户数量的增多,计算量成线性加大,其性能会越来越差.因此有的推荐系统采用基于产品相似性的协同过滤算法,在产品的数量相对稳定的系统中,这种方法是很有效的,例如Ama-zon的书籍推荐系统[10].但是对于产品数量不断增加的系统,例如Del.lici.us系统,这种
8、方法是不适用的.基于内容的推荐系统不可避免地受到信息获取技术的约束,例如自动提取多媒体数据(图形、视频流、声音流等)的内容特征具有技术上的困难,这方面的相关应用受到了很大限制.网络环境下的个性化推荐表现方式大体分为个人化推荐、社会化推荐和基因化推荐三种，（1）个人化推荐。是基于用户过往的行为模式进行推荐，即依据用户的历史行为，判断用户的需求和偏好，为其提供相应产品或服务。商业网站中，比较常见的方式是用户最近的浏览历史、你可能比较感兴趣的商品。比较典型的是
