资源描述:
《推荐算法综述》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、山西大学学报(自然科学版)34(3):337~350,2011JournalofShanxiUniversity(Nat.Sci.Ed.)文章编号:02532395(2011)03033714*推荐算法综述1,21,2杨博,赵鹏飞(1.吉林大学计算机科学与技术学院,吉林长春130012;2.吉林大学符号计算与知识工程教育部重点实验室,吉林长春130012)摘要:推荐是解决互联网信息过载的主要途径之一,已被广泛应用于电子商务等多个领域.尽管已存在多种推荐算法,建造出更加智能、更加鲁棒
2、的推荐系统仍面临诸多尚未解决的难题,推荐方法的研究仍是智能信息处理的研究热点.文章首先阐述了推荐方法的研究背景、研究意义,之后分别介绍了协同过滤推荐算法、基于内容的推荐算法、基于图结构的推荐算法和混合推荐算法,分析了各类算法的优点与不足,最后总结了主要的评价方法以及面临的主要问题,提出了改进的方法和未来可能的研究方向.关键词:信息过载;推荐系统;协同过滤;信息检索;数据挖掘;机器学习中图分类号:TP393文献标识码:A0引言信息过载是互联网面临的主要挑战.如何从过载的信息中主动为用户定位
3、和推送其感兴趣的内容是推荐系统的主要任务.随着电子商务的发展,商家提供的商品种类和数量急剧增长.具有明确需求的用户可通过搜索查找想购买的商品.然而,用户需求通常具有不确定性和模糊性.据亚马逊统计,在其网站购物的客户中,有明确购买意向的仅占16%.如果商家能够从海量的商品中把满足用户模糊需求的商品主动推荐给用户,则有望将潜在需求转化为实际需求,不仅能提高电子商务网站的销售量,还有助于提高用户对网站的忠诚度.在此背景下,能够根据用户特征有针对性推荐商品的个性化推荐系统应运而生,并被广泛应用.包括Am
4、azon、eBay、YouTube和Google在内的诸多网站都部署了不同形式的推荐系统,并产生了巨大的商业利润.据统计,2006年推荐系统为Amazon提高了30%的销售额.推荐系统具有重要的应用价值,不仅成为计算机领域具有挑战性的研究课题之一,还吸引了来自数学、物理、认知、人工智能、管理、市场营销等众多领域的研究者.2006年10月,美国Netfilx公司举行了一场奖金高达100万美元的竞赛,征集更为有效的推荐算法.这场历时三年的竞赛吸引了来自186个国家的4万多个团队参加.推荐系统还面临诸
5、多未被很好解决的理论和应用层面上的难题,仍是信息检索、数据挖掘、机器学习和人工智能等领域的研究热点.在此研究背景下,本文全面介绍了现有主要的推荐方法,分析了各自的优势与不足,总结了该领域目前所面临的主要问题,试图为推荐技术的研究勾勒出一条清晰的主线,为相关研究者提供有益的参考.参考文献[12]对推荐系统的分类,第1节分别从协同过滤、基于内容、基于图结构以及混合推荐四个方面介绍现有主要的推荐算法,经常采用的相似度计算方法,评分估计方法和推荐算法评价准则.第2节总结和分析推荐研究所面临的主要问题和
6、现有的解决方法.第3节对全文进行总结.*收稿日期:20110510;修回日期:20110520基金项目:国家自然科学基金(60873149;60973088);中央高校基本科研业务费专项资金(200903177)作者简介:杨博(1974-),男,河南新乡人,教授,博士生导师,主要研究领域为Agent系统,数据挖掘,复杂网络分析.Email:Ybo@jlu.edu.cn338山西大学学报(自然科学版)34(3)20111主要推荐算法11协同
7、过滤推荐算法协同过滤推荐算法的基本假设是:为用户推荐感兴趣的内容可通过找到与该用户偏好相似的其他用户,将他们感兴趣的内容推荐给该用户.文献[3]中将协同过滤方法分为基于记忆(memorybased)和基于模型(modelbased)的方法.基于记忆方法采用用户项目(useritem)评分数据,为目标用户估计对某一特定项目的评分或产生一个推荐列表.表1给出了一个示例,其中空白项表示用户没有对此项目评分,?表示待估计的评分.系统根据该表估计用户U1对项目I3的评分.评分等级一般为1至5的
8、正整数,数值大小表示用户对项目的偏好程度.基于模型方法采用统计、机器学习和数据挖掘等方法,根据目标用户的历史数据(评分、购买、浏览、点击等)构造用户模型(userprofile),并据此进行推荐.表1用户项目评分矩阵Table1UseritemratingsmatrixI1I2I3I4I5I6U143?U2322442U3232U443352U52415111基于记忆的推荐算法基于记忆的推荐算法可以概括为两步:采用相似度计算方法计算用户/项目之间的相似度,构造相似度矩阵;采用相