互联网推荐系统技术简介

《互联网推荐系统技术简介》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、互联网推荐系统技术简介福建新大陆软件工程公司2014年5月目录背景简介推荐原理互联网推荐系统参考移动电信行业的推荐系统探讨2为何要推荐主动搜索系统推荐信息超载+时间有限•知道自己要什么•不知道去哪里找•知道如何去描述•不知道如何去描述主动搜索+系统推荐3电商推荐案例-亚马逊Amazon利用可以记录的所有用户在站点上的行为，根据不同数据的特点对它们进行处理，并分成不同区为用户推送推荐：基于社会化的推荐，Amazon会给你事实的数据，让用户信服，例如：购买此物品的用户百分之多少也购买了那个物品；

2、基于物品本身的推荐，Amazon也会列出推荐的理由，例如：因为你的购物框中有***，或者因为你购买过***，所以给你推荐类似的***。4社交推荐案例-豆瓣豆瓣基于社会化的协同过滤的推荐，用户越多，用户的反馈越多，那么推荐的效果会越来越准确。相对于Amazon的用户行为模型，豆瓣电影的模型更加简单，就是“看过”和“想看”，这也让他们的推荐更加专注于用户的品味，毕竟买东西和看电影的动机还是有很大不同的。另外，豆瓣也有基于物品本身的推荐，当你查看一些电影的详细信息的时候，他会给你推荐出“喜欢这个电影的人也喜欢

3、的电影”5目录背景简介推荐原理互联网推荐系统参考移动电信行业的推荐系统探讨6推荐引擎工作原理推荐引擎所需要的数据源包括：要推荐物品或内容的元数据，例如关键字，基因描述等；系统用户的基本信息，例如性别，年龄等用户对物品或者信息的偏好，根据应用本身的不同，可能包括用户对物品的评分，用户查看物品的记录，用户的购买记录等。其实这些用户的偏好信息可以分为两类：显式的用户反馈：这类是用户在网站上自然浏览或者使用网站以外，显式的提供反馈信息，例如用户对物品的评分，或者对物品的评论。隐式的用户反馈：这

4、类是用户在使用网站是产生的数据，隐式的反应了用户对物品的喜好，例如用户购买了某物品，用户查看了某物品的信息等等。推荐引擎根据不同的推荐机制可能用到数据源中的一部分，根据这些数据，分析出一定的规则或者直接对用户对其他物品的喜好进行预测计算。在用户进入的时候给他推荐他可能感兴趣的物品。7推荐引擎分类根据推荐物品或内容简单的根据系统用的元数据，发现物品户的基本信息发现基于人口统计学或者内容的相关性，用户的相关程度，基于内容的推荐然后基于用户以往的的推荐然后将相似用户喜喜好记录，推荐给用爱的其他物品推荐户相似的

5、物品给当前用户将多个方法混合在根据用户对物品或一起，从而达到更者信息的偏好，发基于协同过滤混合的推荐机制好的推荐效果现物品或者内容本的推荐身的相关性，或者是发现用户的相关性，然后再基于这些关联性进行推荐8基于人口统计学的推荐优点：1）不使用当前用户对物品的喜好历史数据，所以对于新用户来讲没有“冷启动（ColdStart）”的问题。2）不依赖于物品本身的数据，在不同物品的领域都可以使用缺点过于粗糙，尤其是对品味要求较高的领域，比如图书，电影和音乐等领域，无法得到很好的推荐效果9基于内容的推荐优点：1

6、）能很好的建模用户的口味2）能提供更加精确的推荐缺点：1）推荐的质量依赖于对物品模型的完整和全面程度2）物品相似度的分析仅仅依赖于物品本身的特征，这里没有考虑人对物品的态度3）需要基于用户以往的喜好历史做出推荐，所以对于新用户有“冷启动”的问题。常用算法决策树、神经网络、基于向量的TF-IDF方法10基于协同过滤的推荐优点：1）能够过滤难以进行机器自动内容分析的信息，如艺术品，音乐等。2）共享其他人的经验，避免了内容分析的不完全和不精确，并且能够基于一些复杂的，难以表述的概念（如信息质量、个人品味）

7、进行过滤。3）有推荐新信息的能力。可以发现内容上完全不相似的信息，用户对推荐信息的内容事先是预料不到的。这也是协同过滤和基于内容的过滤一个较大的差别，基于内容的过滤推荐很多都是用户本来就熟悉的内容，而协同过滤可以发现用户潜在的但自己尚未发现的兴趣偏好。4）能够有效的使用其他相似用户的反馈信息，较少用户的反馈量，加快个性化学习的速度。缺点：1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（稀疏性）;2）随着用户和商品的增多，系统的性能会越来越低;3）如果从来没有用户对某一

8、商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。常用算法item-basedCF、user-basedCF、SlopeOne11目录背景简介推荐原理互联网推荐系统参考移动电信行业的推荐系统探讨12互联网推荐特点13百度推荐引擎架构14阿里巴巴推荐引擎架构15腾讯推荐引擎架构16目录背景简介推荐原理互联网推荐系统参考移动电信行业的推荐系统探讨17功能要素描述分析预测活跃用户追踪用户偏好个性推荐潜在用户挖掘