zoukankan      html  css  js  c++  java
  • 推荐系统 蒋凡译 第一章 引言 读书笔记

    第1章 引言

    在本书中,将会重点讨论个性化推荐。

    1.1 第一部分:基本概念

    1.1.1 协同过滤推荐

      这些系统的基本思想是,如果用户在过去有相同的偏好(比如他们浏览或买过相同的书),那么他们在未来也会有相似的偏好。由于选择可能感兴趣的书涉及从大量集合中过滤出最有希望的书,而且用户是在隐式地与其他人相互协作,因此这种技术也被称为协同过滤。

    协同方法常见问题:

    1、如何发现与我们要推荐的用户有着相似偏好的用户?

    2、如何衡量相似度?

    3、如何处理还没有购买经历的新用户?

    4、如果只有很少的评分该怎么办?

    5、除了利用相似的用户之外,还有哪些技术可以用来预测某个用户是否喜欢其物品?

    优点:系统不需要获取并维护这些数据。

    1.1.2 基于内容的推荐

    基于内容推荐的核心是能够得到物品的描述(不管是人工生成还是自动抽取的)和这些特征的重要记录。

    在基于内容的推荐中,必须回答如下问题:

    1、系统如何自动获取并持续改进用户记录?

    2、如何决定哪个物品匹配或者至少能接近、符合用户的兴趣?

    3、什么技术能自动抽取或学习物品的描述,从减少人工标注?

    优点:

    1、不需要大规模用户就可以达到适度的推荐精准度。

    2、一旦得到物品的属性就能立刻推荐新物品。

    1.1.3 基于知识的推荐

    在基于知识的方法中,推荐系统通常会用到有关当前用户和有效物品的额外信息(这些信息一般都是人工提供的)。

    基于知识的推荐系统要解决的问题如下:

    1、那种领域知识能表示成知识库?

    2、什么机制可根据用户的特点来选择和排名物品?

    3、如何在没有购买记录的领域获取用户信息?如何处理用户直接给出的偏好信息?

    4、哪种交互方式能够用于交互式推荐系统?

    5、设计对话时,要考虑哪些个性化因素才能确保准确获得用户偏好信息?

    1.1.4 混合推荐方法

     在推荐系统中混合使用不同方法时必须回答以下问题:

    1、哪种方法能被组合,特定组合的前提是什么?

    2、两个或多个推荐算法是应该顺序计算,还是采用其他混合方式?

    3、不同方法的结果如何赋以权重,可以动态决定吗?

    1.1.5推荐系统的解释

    解决问题:

    1、推荐系统在解释其推荐结果的同时如何提高用户对系统的信任度?

    2、推荐策略如何影响解释推荐的方式?

    3、能通过解释让用户相信系统给出的建议是”公正的“或者不偏颇的吗?

    1.1.6评估推荐系统

    问题:如何实际衡量推荐系统所给出建议的质量?

    哪些研究设计适用于评估推荐系统?

    如何利用历史数据实验评估推荐系统?

    什么衡量标准适合不同的评估目标?

    现有评估技术的局限是什么?

    1.1.7案例研究

    目的是为了解决以下问题:

    1、推荐系统的商业价值是什么?

    2、它能帮助提高销售额或将更多访问者转化为购买者吗?

    3、不同推荐算法在效果上有差别吗?在哪种情况下应该使用哪种技术?

    1.2 第二部分:最新进展

    涉及的问题如下:

    1、隐私和鲁棒性

    2、在线消费决策

    3、社交和语义网背景下的推荐系统

    4、无处不在的应用

  • 相关阅读:
    Hihocoder 1275 扫地机器人 计算几何
    CodeForces 771C Bear and Tree Jumps 树形DP
    CodeForces 778D Parquet Re-laying 构造
    CodeForces 785E Anton and Permutation 分块
    CodeForces 785D Anton and School
    CodeForces 785C Anton and Fairy Tale 二分
    Hexo Next 接入 google AdSense 广告
    如何统计 Hexo 网站的访问地区和IP
    Design and Implementation of Global Path Planning System for Unmanned Surface Vehicle among Multiple Task Points
    通过ODBC接口访问人大金仓数据库
  • 原文地址:https://www.cnblogs.com/coderying/p/12640002.html
Copyright © 2011-2022 走看看