人工智能基础及应用课件 模块二-任务四-系统的类型

如何读懂用户心思推荐系统的类型从用户和物品信息到生成推荐列表，推荐系统主要依赖以下四种核心策略：基于内容、协同过滤、深度学习和混合推荐。核心步骤基于内容水果店老板按口味推荐水果混合推荐购物时既看商品又看销量榜协同过滤好朋友互相安利喜欢的书深度学习推荐侦探分析你的生活习惯类型核心方法优缺点基于内容分析物品本身的特征（如关键词、类别）推荐内容高度相关，但较难发现跨领域优质内容协同过滤利用用户群体行为数据（“相似用户喜欢什么”）不依赖内容分析，用户行为数据越多越精准，但新用户/物品效果差深度学习推荐用神经网络挖掘用户-物品复杂关系可处理非线性关系，但需要强大算力混合推荐结合内容+协同过滤等更精准，但计算复杂度高1.基于内容输入源:用户历史行为:系统从用户的历史交互中（如收藏、经常播放）获取他喜欢的歌曲。歌曲库:系统拥有一个包含所有歌曲的数据库，每首歌都有其内容特征（标签）。特征提取:系统分析用户喜欢的歌曲，提取出关键的内容特征（如“流行音乐”、“中国风”），形成一个用户偏好档案。同时，系统也为歌曲库中的所有歌曲分析并建立它们的内容特征档案。核心匹配:推荐引擎将用户偏好档案与所有歌曲的特征档案进行比对，通过相似度计算算法（如余弦相似度），找出特征最匹配的歌曲。输出:系统将匹配度最高的歌曲生成一个推荐列表，呈现给用户。这些歌曲在音乐风格、主题等方面与用户历史喜好高度相似。基于内容的推荐是先通过分析物品的本身特征(如:文字、标签、类别等),再结合用户的历史偏好(如:收藏、评分等)进行匹配,推荐与用户偏好相似的商品。2.协同过滤基于协同过滤的推荐是基于“物以类聚,人以群分”的假设,其核心在于通过分析用户的行为数据（如对商品评分、点击操作、购买记录等）,挖掘用户之间或物品之间的相似性,进而将这些相似用户喜欢但目标用户尚未接触过的物品推荐给目标用户。“奇幻文学”品类的协同过滤推荐找到相似用户：系统发现你和用户A都喜欢《哈利·波特》和《魔戒》，计算得出你们的兴趣非常相似。你和其它用户虽然也有一部分共同喜好，但系统会通过算法计算出与谁更相似。推荐你没见过但相似用户喜欢的物品：系统从与你最相似的用户（用户A）的喜好列表中，寻找你还没有过记录（没买过、没看过、没评过分）的物品。在这里，用户A喜欢的《纳尼亚传奇》是你还没有接触过的。生成推荐：系统因此将《纳尼亚传奇》推荐给你。背后的逻辑是：“和你有相似品味的人都喜欢这个，所以你可能也会喜欢。”基于深度学习的推荐是利用神经网络对用户行为序列、物品图像等多元数据进行处理,来捕捉复杂的非线性关系,进而提升推荐精度,其本质就是用人工智能来挖掘用户隐藏的喜好规律(如:观看时间、点击顺序等)。3.深度学习“傍晚歌单”的深度学习推荐输入：原始且复杂的行为数据输入不再是清晰的“标签”或“评分”，而是最原始的用户行为数据，例如：听歌时间戳（精确到秒，能推断出是早晨、白天、深夜）完整的播放历史、搜索记录、停留时长、跳过行为

用户设备、地理位置（在家、户外）深度学习模型能够处理和融合这些多源、异构的复杂数据。

核心：深度神经网络的分析与学习这是与协同过滤和基于内容推荐最根本的区别。模型不是执行预设的规则，而是自动学习。模型通过多层神经网络：自动提取特征：从“晚上10点”这个数据中，模型自己学习到这是“深夜放松”场景，而无需人工定义“深夜”标签。学习复杂非线性关系：发现“用户周一早晨出门时，喜欢听快节奏的摇滚乐，但周五晚上却喜欢听爵士乐”这种复杂的跨时间、跨场景的偏好。输出：发现人类难以设计的复杂规律用户个性化(微观）：精准捕捉到“用户在晚上常听某歌手”。群体模式（宏观）：发现“大部分用户在雨天更喜欢听伤感或纯音乐”。深度关联（隐性）：发现“喜欢歌手周杰伦的用户，有很大概率也会对歌手林俊杰的歌产生兴趣”，即使这两人在“中国风”标签上的权重不同。结果：智能、动态、场景化的推荐推荐不再是静态的“喜欢A就推荐B”。它是动态和场景驱动的：系统知道在傍晚时分这个特定场景下，对你而言最合适的推荐是该歌手的歌单。混合推荐是结合多种推荐类型(基于内容、协同过滤、深度学习)的一种推荐策略,它通过加权、切换或分层融合等方式,有效弥补单一方法的局限性,从而提升推荐的多样性和准确性。4.混合推荐“线上视频”的混合推荐右图混合推荐的优势取长补短：克服了基于内容的局限性（局限于用户已知兴趣，无法发现新兴趣）。缓解了协同过滤的“冷启动”问题（新物品没有用户行为，无法被推荐）。只要新物品有内容标签，就能被基于内容的方法推荐出去。更丰富、更惊喜的推荐：既提供了