资源描述：
《基于用户的协同过滤算法的推荐系统介绍.ppt》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、推荐系统介绍——基于用户的协同过滤算法的电影推荐系统成员：塔娜郭静戈文豹目录一.推荐系统研究背景二.个性化推荐技术三.基于用户的协同过滤推荐算法四.电影推荐系统五.电影推荐系统实现构想1.推荐系统研究背景近年来,社会信息趋向于数字化、网络化,通过各种互联网络联系起来的人越来越多,互联网网民日益增加。互联网上的信息源越來越丰富,包括电子邮件、Web数据、客户项目等信息,这些信息构成了社会网络。我国的互联网用户数也与日俱增,已发展到一个很客观的数字。截止至2011年底,全球博客(blog)数量已经达1.81亿。在国内,拥有博客(或个人空间)的网民比例
2、达42.3%,用户规模达1.07亿,其中活跃用户数超过7000万人。腾讯QQ的活跃账户数量达到3亿,同时在线人数达到3000万。中国网站总数为230万个。可见,在如今这个高速发展的信息时代,人们的生活与五联网的关系越来越紧密,互联网己经成为人们获取信息的一个重要途径。互联网信息的日益庞大与大量用户的需求形成了巨大矛盾。人们需要花费大量的时间去搜索和选择各自所需的项目。因此,各种知名的搜索引擎已经成为人们寻找项目的必备工具,如Google、Yahoo、Soso、Baidu、Sogou等。当用户搜索信息是,搜索引擎就在数据库中搜索,找到相应的网站,按
3、一定顺序反馈给读者。显然,搜索引擎是一种“一对多”的工具,它只能区分不同的搜索语句,忽略了重要的用户信息,对不同的用户不会推荐不同的项目。个性化推荐服务就是针对此类问题提出来的,根据不同用户的行为、信息、习惯、喜好等特点,提供各自不司的服务。目前,各大型纯商务网站,例如Dangdang、Amazon、Taobao、Tmall等,都不同程度地使用了推荐系统,用以向用户推荐商品,提高经济效益。2.个性化推荐技术个性化推荐系统的使用对象是用户,推荐对象是项目(Item),比如音乐、电影、商品等。根据推荐对象的特点,可以将目前的推荐系统分为两类:(1)以
4、网页为推荐对象的系统。这类推荐系统主要采用web数据挖掘的理论和技术来分析用户的行为习惯、兴趣爱好等特点,向用户推荐用户可能会喜爱的项目(网页链接)。这类推荐系统在音乐或电影类网站最常见,比如推荐相关音乐、电影、歌手、演员等,能够吸引用户兴趣,提高用户满意度。(2)以产品为主要推荐对象的系统。这类推荐系统在电子商务网络购物环境中最长使用,主要功能是向用户推荐他们可能会感兴趣的商品。这类推荐系统除了带给用户更好的购物体验,同时能提高产品销售量,增加网站收益。推荐系统首先收集用户的历史行为数据,然后通过预处理的方法得到用户-评价矩阵,再利用机器学习领
5、域中相关推荐技术形成对用户的个性化推荐。有的推荐系统还搜集用户对推荐结果的反馈,并根据实际的反馈信息实时调粮推荐策略,产生更符合用户需求的推荐结果。个性化推荐系统流程图：3.基于用户的协同过滤算法协同过滤算法，顾名思义就是指用户可以齐心协力，通过不断的和网站互动，是自己的推荐列表能够不断过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。用户行为分析：a.用户活跃度和物品流行度分布：很多关于互联网数据的研究发现，互联网上的很多数据分布都满足一种称为PowerLaw的分布，这个分布在互联网领域也叫长尾分布。f(x)=αb.用户活跃度和物品流行度的关
6、系：一般认为，新用户倾向于浏览热门的物品，因为他们对网站还不熟悉，只能点击首页的热门物品，而老用户会逐渐开始浏览冷门的物品。3.基于用户的协同过滤推荐算法:基于邻域的方法是协同过滤算法中应用最为广泛的一种。基于邻域的方法比较直观,容易理解。这类方法使用统计技术寻找与目标用户有相同或相似兴趣偏好的邻居,根据邻居用户的评分来预测目标用户对项目的评分值,选取预测评分最高的前N个项目作为推荐集反馈给目标用户。它的中心思想是有相同兴趣或偏好的用户往往会对同样的项目感兴趣,这也非常符合人们的心理。这类方法的核心是要准确计算目标用户的邻居,也就是用户相似性,所
7、以也称为基于用户(User-based)的协同过滤方法。类似地,可以考虑项目之间的相似性,使用目标用户评价过的项目合集来预测用户可能感兴趣的其它项目,这类方法称为基于项目(Item-based)的协同过滤方法。3.基于用户的协同过滤推荐基于用户的协同过滤[(User-basedCF)又称KNN(K-Nearest-Neighbor,K最近邻)算法,其基本思想是利用与目标用户具有相同(或相似)兴趣爱好的用户的观点向目标用户提供商品推荐或评分预测。基于用户的协同过滤算法的基本思想其基本思想是：通过计算用户对项目评分之间的相似性，搜索目标用户的最近邻居
8、，然后根据最近邻居的评分向目标用户产生推荐。典型的协同过滤算法是基于用户的。协同过滤推荐算法的实现过程分为3步：建立用户模型、寻找最近邻
