自然语言处理 课件 知识点12.1 系统

自然语言处理项目12推荐系统MOBILEPHONECONFERENCE品牌介绍MOBILEPHONECONFERENCE产品介绍MOBILEPHONECONFERENCE产品设计目录01020304认识推荐系统什么是推荐系统推荐系统(RecommenderSystem)是一种在大数据时代背景下，为了解决信息过载问题，根据用户需求、兴趣等，使用计算机方法从海量数据中提取用户感兴趣的项目（如信息、服务、物品等），并将结果以个性化列表的形式推荐给用户的计算机方法。推荐系统根据用户历史行为信息来构建用户兴趣模型并向用户推荐其可能感兴趣的信息，被广泛用于个性化服务领域，在推荐者和寻求推荐者之间做出良好匹配的能力。一个推荐系统在进行推荐时有3个要素：用户、物品、推荐算法。推荐系统的分类非个性化推荐系统是基于热度、流行度等向用户推荐最受欢迎的项目，如近期最受欢迎的前10部电影、最畅销的书籍、最常购买的产品。个性化推荐系统的研究与应用越来越多，最早是由Malone等研究者于1987年提出，最初个性化推荐系统应用于电子商务中，通过分析其他用户的评价信息向当前用户进行推荐。个性化推荐系统主要分为基于关联规则的推荐系统、基于内容的推荐系统、协同过滤的推荐系统等。协同过滤的推荐系统又分为基于用户的协同过滤的推荐系统和基于任务的协同过滤的推荐系统。推荐系统可分为非个性化推荐系统(NonPersonalizedRecommendationSystem)与个性化推荐系统(PersonalizedRecommenderSystem)两大类推荐系统中的技术介绍基于规则的推荐算法属于基于知识推荐中的一种，通过将待推荐项目的属性与用户属行进行匹配进行推荐，或者是根据数据挖掘中的规则进行推荐，这些规则可以通过关联计算得到，也可以由领域的专家事先定义好。规则的形式一般都是IF-THEN语句，规则通过将用户的属性、购买历史记录和待推荐项匹配起来，获得推荐列表，因此这种算法要求用户的属性结构特征必须与规则中的属性完全一致才能够精准匹配，只有成功匹配出一系列的规则，才能完成推荐。基于规则的推荐系统基于内容的推荐算法的应用场景基于内容的推荐是使用用户的历史记录，将用户已经选择过的项目内容和用户提供的个人信息进行相似度计算，建立用户的档案，分析用户的兴趣所在。在基于内容的推荐中，计算对象的特征与用户兴趣的相似度是推荐系统的核心，一般采用特征加权的方法。这种方法建立用户档案的关键词向量，并计算每个关键词的权重，之后对新的对象进行计算评分。基于内容过滤推荐系统协同过滤推荐系统协同过滤是目前推荐系统中应用最为普遍的技术之一。协同过滤的基本思想是项目评分相似的用户的兴趣爱好也比较相似，通过相似用户对某一待推荐项目的评分来预测指定使用者对某一候选待推荐项目的评分。根据问题解决方式，可以将协同过滤分为基于领域近邻和基于模型等两类不同的算法领域近邻又可分为用户近邻和物品近邻，基于用户近邻被称为基于用户的协同过滤，是统计用户共同交互物品的数量定义用户之间的相似度，寻找用户的近邻，然后为用户推荐近邻喜欢的但此用户未交互过的物品。基于物品近邻，是统计两两物品被多少相同用户购买，以共同用户在购买俩物品的所有用户中的占比作为物品之间的相似度，寻找物品的近邻，然后为用户挑选历史交互物品的近邻作为推荐结果01020304协同过滤推荐系统基于模型的协同过滤：基于模型的协同过滤是指使用机器学习的思想建模用户对物品的评分模型，然后预测用户未评分物品的分数，最后为用户推荐评分高的物品。根据寻找邻居方式的不同，又可协同过滤技术可以分为两种：基于用户的协同过滤（User-basedCF）推荐和基于项目的协同过滤（Item-basedCF）。基于用户的协同过滤：基于用户的协同过滤是最早出现的协同过滤推荐算法，其推荐的产生首先根据用户的现有评分数据计算用户间的相似度，根据相似度获得指定用户的最近邻居，并在最近邻居的评分的基础上产生推荐结果。基于项目的协同过滤