数据科学导引 课件 推系统_第1页
数据科学导引 课件 推系统_第2页
数据科学导引 课件 推系统_第3页
数据科学导引 课件 推系统_第4页
数据科学导引 课件 推系统_第5页
已阅读5页,还剩42页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

推荐系统目录第一部分推荐系统概述第二部分推荐算法初步第三部分推荐算法进阶聚类分析何为推荐系统用户X购买了周杰伦的CD购买了王力宏的CD用户Y搜索了“周杰伦CD”推荐系统基于从用户X收集到的数据,将“王力宏CD”推荐给用户Y查询推荐项目

网站例子:聚类分析应用举例Netflix每年2/3的观看电影来自于推荐Googlenews推荐系统能带来额外38%的点击亚马逊每年35%的销售额都来源于它的推荐头条半数以上新闻和广告点击源于推荐京东一年推荐和广告带来几亿的营收聚类分析The

Netflix

Prize

聚类分析The

Netflix

Prize:evaluation

预测评分

聚类分析推荐系统的结构

聚类分析推荐系统的模型

效益矩阵(Utility

Matrix)聚类分析推荐系统的评估

新颖度:给用户surprise(推荐他们不知道的商品)惊喜度:推荐和用户历史兴趣不相似,却满意的信任度:提供可靠的推荐理由实时性:实时更新程度…目录第一部分推荐算法概述第二部分推荐算法初步第三部分推荐算法进阶基于内容的推荐(Content-based)协同过滤(Collaborative

Filtering)冷启动问题(Cold

Start)主要思想:若用户对某商品评价很高(历史行为),则像用户推荐与该商品相似的商品通常使用在文本相关产品上进行推荐商品通过内容(比如关键字)关联,然后基于比对商品内容进行推荐:电影题材:爱情/探险/动作/喜欢/悬疑标志特征:黄晓明/王宝强年代:1995,2016…关键字(如“奥运”)聚类分析基于内容的推荐

聚类分析Item

Profiles

聚类分析TF-IDF回顾

聚类分析User

Profiles基于书名进行书推荐一个用户对《BuildingdataminingapplicationsforCRM》这本书感兴趣从以下书中进行推荐计算这本书和其余7本书的相似度,推荐最近的前三本书:

Rank

1

-

Data

Mining

Your

Website

Rank

2

-

Accelerating

Custom

Relationships:Using

CRM…

Rank

3

-

Mastering

Data

Mining:The

Art

and

Science

优点无需其他用户的信息

无冷启动和稀疏性问题可对有独特偏好的用户进行推荐可以推荐新的商品和不流行的商品解释性强

可通过各特征来解释商品被推荐理由

聚类分析优劣缺点寻找合适的特征存在困难

例如:图片,电影,音乐…过度特化(Overspecialization)

从不会推荐内容描述之外的商品

用户可能有多个兴趣

无法利用其它用户对该商品的评价对于新用户无法进行推荐(由于没有User

profile)

什么是协同过滤(Collaborative

Filtering)协同过滤是利用集体智慧的一个典型方法。如果你现在想看个电影,但你不知道具体看哪部。你会怎么做?聚类分析协同过滤User-basedCF找到和目标用户最相似的其他用户,找到他们看过/买过但当前用户没看过/买过的商品,根据距离加权打分找到得分最高的推荐聚类分析基于用户或者基于商品的协同过滤Item-basedCF根据用户对商品/内容的行为,计算商品和商品相似度,找到和当前商品最近的进行推荐聚类分析协同过滤基于用户的协同过滤

聚类分析协同过滤

聚类分析基于物品的协同过滤聚类分析例

聚类分析CF:Common

Practice

聚类分析

聚类分析协同过滤的对比基于用户的协同过滤基于物品的协同过滤性能适用于用户较少的场合,如果用户很多,计算用户相似度矩阵代价很大适用于物品数量明显小于用户数的场合,如果物品很多(网页),计算物品相似度矩阵的代价很大领域时效性较强,用户个性化兴趣不太明显的领域长尾物品丰富,用户个性化需求强烈的领域实时性用户有新行为,不一定造成推荐结果的立即变化用户有新行为,一定导致推荐结果的实时变化冷启动在新用户对很少的物品产生行为后,不能立即对他进行个性化推荐,因为用户相似度表示每隔一段时间离线计算的新物品上线后一段时间,一旦有用户对物品产生行为,就可以将新物品推荐给和她产生行为的用户兴趣相似的其他用户新用户只要对一个物品产生行为,就可以给他推荐额该物品相关的其他物品但没有办法在不离线更新物品相似度表的情况下将新物品推荐给用户推荐理由很难提供令用户信服的推荐解释利用用户的历史行为做推荐解释,可以令用户比较信服协同过滤优点基于用户行为,因此对推荐内容无需先验知识只需要用户和商品关联矩阵即可,结构简单在用户行为丰富的情况下,效果好协同过滤缺点需要大量的显性/隐性用户行为需要通过完全相同的商品关联,相似的不行假定用户的兴趣完全取决于之前的行为,而和当前上下文环境无关在数据稀疏的情况下受影响。可以考虑二度关联。聚类分析协同过滤的优缺点对于新用户所有推荐系统对于新用户都有这个问题推荐非常热门的商品,收集一些信息在用户注册的时候收集一些信息在用户注册完之后,用一些互动游戏等确定喜欢与不喜欢对于新商品根据本身的属性,求与原来商品的相似度Item-based协同过滤可以推荐出去聚类分析冷启动问题目录第一部分推荐算法概述第二部分推荐算法初步第三部分推荐算法进阶

聚类分析隐语义模型

聚类分析缺失值的估计

聚类分析奇异值分

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论