领域知识驱动的个性化推荐方法

领域知识驱动的个性化推荐方法

ID:37377596

大小:4.67 MB

页数:56页

时间:2019-05-22

领域知识驱动的个性化推荐方法_第1页
领域知识驱动的个性化推荐方法_第2页
领域知识驱动的个性化推荐方法_第3页
领域知识驱动的个性化推荐方法_第4页
领域知识驱动的个性化推荐方法_第5页
资源描述:

《领域知识驱动的个性化推荐方法》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、领域知识驱动的个性化推荐方法陈恩红教授cheneh@ustc.edu.cn2016年12月6日Lab.OfSemanticComputingandDataMining提纲1大数据时代背景及现状2基于认知的教学个性化推荐3情景感知的移动用户推荐4金融领域带风险约束的推荐5结合社交因素的用户推荐6总结与展望Lab.OfSemanticComputingandDataMining大数据与大数据时代大数据时代:数据爆炸增长的时代大数据从“概念”走向“应用”数据量大、类型多、价值密度低、分析大数据成为科研的核心任务速度快时效高、数据在线解读大数据成为决策的基本依据各行业急速增长的数据

2、量为推荐系应用大数据成为民生的重要助力统的应用奠定了基础Lab.OfSemanticComputingandDataMining3推荐系统蕴含巨大价值推荐系统成为连接数据特征与用户需求的桥梁普通用户难以直接从大数据中获取所需信息推荐系统将大数据从单纯的数据层面转化到用户可以理解的信息层面,满足客户的需求推荐系统为企业带来巨大价值2016年“双十一”淘宝交易额破千万今日头条app人均日使用时间超40分钟UC浏览器个性化推荐月活跃用户超过3.3亿我们正在离开信息的时代,进入推荐的时代。——ChrisAndersoninTheLongTailLab.OfSemanticCom

3、putingandDataMining4传统推荐系统常用方法基于内容的推荐算法协同过滤推荐算法根据用户偏好记录来给用户推荐内根据用户最近邻的偏好记录给用户容相似的新项目作出推荐新产品历史记录?新用户优点:不存在稀疏性和冷启动问题优点:可处理复杂的非结构化对象缺点:可能会重复推荐缺点:稀疏性和冷启动问题混合推荐算法结合基于内容的特性和协同过滤的特性进行推荐Lab.OfSemanticComputingandDataMining传统推荐系统面对的困难泛化的数据分析结果难以精准描述用户在特定应用场景中的信息需求。大数据的应用模式不断拓展专业性不断增强很多应用新问题无法使用泛化模型

4、进行统一建模数据的多源异构性明显数据量大而复杂、来源分散需要依托专业知识进行有效整合Lab.OfSemanticComputingandDataMining6推荐系统将扩展至更多领域大数据时代推荐系统向更多领域扩展传统行业开始将业务转移至“线上”移动软件已经融入人们的日常生活各个领域都积累了大量的数据资源医疗电子卫生商务教育评估移动用户智慧城市社交应用Lab.OfSemanticComputingandDataMining领域知识驱动推荐技术泛化的推荐结果无法满足具体领域中特定的用户需求不同领不同领域独有的知识体系和知识结构域知识不同行业独有的评价准则带来新挑战新的

5、应用领域教育领域催生新方法移动领域与新工具金融领域社交领域…结合领域知识定制推荐系统Lab.OfSemanticComputingandDataMining推荐系统在各领域的应用案例结合领域知识研究背景应用领域挑战性问题的研究工作推荐结果的可解基于“认知诊断”大教育领域数释性问题的教学推荐方法据时代下移动商务智能化基于情境感知的个推移动领域性化偏好挖掘方法发展问题荐系统在潜在客户个性化基于风险偏好的个不金融领域推荐问题性化推荐方法同领域的社交网络动态影基于社交信息的用应社交领域用响问题户行为挖掘方法Lab.OfSemanticComputingandDataMining提纲

6、1大数据时代背景及现状2基于认知的教学个性化推荐3情景感知的移动用户推荐4金融领域带风险约束的推荐5结合社交因素的用户推荐6总结与展望Lab.OfSemanticComputingandDataMining10教育领域的推荐目标教育领域所面临的问题:我最近学生作业多、学习怎课业量繁重么样?试题推荐班级教学中,老师对于班级内学生对自己的学习的学生难以顾全状态没有直观的认识学习分组推荐认知诊断Lab.OfSemanticComputingandDataMining11教育推荐的特点和所面临的挑战教育推荐的特点:有特殊的领域知识(试题知识点、学生认知情况等),教育推荐需要同“认知诊断

7、”等教育领域方法相结合用户(学生、教师等)对于推荐结果的可解释性要求较高所面临的挑战:数据挖掘技术如何同教育学的领域知识相集合?如何在不同的教学推荐中引入领域知识,使得推荐结果更精确、可解释性更高,从而提高用户(学生、教师等)的接受程度?函数能力:0.8数学能力强潜在特质技能掌握英语能力弱词汇水平:0.3Lab.OfSemanticComputingandDataMining12如何评价一个学生的能力?传统的评价方法:认知诊断评价方法:

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。