2018 年最全的推薦系統乾貨(ECCV、CVPR、AAAI、ICML)
最近總有幾位關注者希望我們可以分享一些“推薦系統”類的乾貨,最近正好一不小心看到一篇比較好的博主寫的推送,在此我通過自己理解和該博主的內容,為大家帶來一次推薦系統的分享!
前言
隨著電子商務的發展,網路購物成為一種趨勢,當你開啟某個購物網站比如淘寶、京東的時候,會看到很多給你推薦的產品,你是否覺得這些推薦的產品都是你似曾相識或者正好需要的呢。這個就是現在電子商務裡面的 推薦系統 ,向客戶提供商品建議和資訊,模擬銷售人員完成導購的過程。
推薦系統 是一個相當火熱的研究方向,在工業界和學術界都得到了大家的廣泛關注。希望通過下面的介紹,總結一些關於推薦系統領域相關的會議、知名學者,以及做科研常用的資料集、程式碼庫等,希望能夠幫助想入門推薦系統的童鞋們提供一個參考,希望能夠儘快上手推薦系統,進而更好更快的深入科研也好、工程也罷。
那下面開始正式介紹,過程會給大家推薦一些比較好的會議、文章、作者等,記得收藏記錄下來。
介紹
什麼是推薦系統呢?剛剛前面也簡單的介紹了下,在維基百科這樣解釋:推薦系統屬於資訊過濾的一種應用。推薦系統能夠將可能受喜好的資訊或實物(例如:電影、電視節目、音樂、書籍、新聞、圖片、網頁)推薦給使用者。
推薦系統首先收集使用者的歷史行為資料,然後通過預處理的方法得到使用者-評價矩陣,再利用機器學習領域中相關推薦技術形成對使用者的個性化推薦。有的推薦系統還蒐集使用者對推薦結果的反饋,並根據實際的反饋資訊實時調整推薦策略,產生更符合使用者需求的推薦結果。
推薦系統的作用:
-
將網站的瀏覽者轉為購買者或者潛在購買者(購物車);
-
提高購物網站的交叉銷售能力和成交轉化率;
-
提高客戶對網站的忠誠度和幫助使用者迅速找到產品。
推薦系統的表現形式:
-
Browsing :客戶提出對特定商品的查詢要求,推薦系統根據查詢要求返回高質量的推薦;
-
Similar Item :推薦系統根據客戶購物籃中的商品和客戶可能感興趣的商品推薦類似的商品;
-
Email :推薦系統通過電子郵件的方式通知客戶可能感興趣的商品資訊;
-
Text Comments :推薦系統向客戶提供其他客戶對相應產品的評論資訊;
-
Average Rating :推薦系統向客戶提供其他客戶對相應產品的等級評價;
-
Top-N :推薦系統根據客戶的喜好向客戶推薦最可能吸引客戶的N件產品;
-
Ordered Search Results :推薦系統列出所有的搜尋結果,並將搜尋結果按照客戶的興趣降序排列。
推薦技術分類:
-
基於使用者統計資訊的推薦;
-
基於其他客戶對該產品的平均評價,這種推薦系統獨立於客戶,所有的客戶得到的推薦都是相同的(Non-PersonalizedRecommendation);
-
基於產品的屬性特徵(Attributed-Based Recommendation);
-
根據客戶感興趣的產品推薦相關的產品(Item-to-ItemCorrelation);
-
協同過濾,推薦系統根據客戶與其他已經購買了商品的客戶之間的相關性進行推薦(People-to-PeopleCorrelation)。
相關會議
對於推薦系統領域,直接相關的會議不多,但由於推薦系統會涉及到資料探勘、機器學習等方面的知識,並且推薦系統作為資料探勘和機器學習的重要應用之一,同時推薦系統往更大的領域靠攏的話也屬於人工智慧的範疇,因此很多做推薦的學者把目光也瞄向了資料探勘、機器學習和人工智慧方面的會議。所以,如果想關注推薦系統的前沿,我們需要不僅關注推薦系統年會,還需要關注其他與推薦掛鉤的會議。
-
與推薦系統直接相關的會議
RecSys -The ACM Conference Series on Recommender Systems.
-
資料探勘相關的會議
SIGKDD - The ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
WSDM - The International Conference on Web Search and Data Mining.
ICDM - The IEEE International Conference on Data Mining.
SDM -TheSIAM International Conference on Data Mining.
-
機器學習相關的會議
ICML - The International Conference on Machine Learning.
-
資訊檢索相關的會議
SIGIR - The ACM International Conference on Research and Development in Information Retrieval
-
資料庫相關的會議
CIKM - The ACM International Conference on Information and Knowledge Management.
-
Web相關的會議
WWW - The International World Wide Web Conference.
-
人工智慧相關的會議
AAAI - The National Conference of the American Association for Artificial Intelligence.
IJCAI - The International Joint Conference on Artificial Intelligence.
推薦系統的資料分類:
-
Explicit(顯式) :能準確的反應使用者對物品的真實喜好,但需要使用者付出額外的代價。如:使用者收藏、使用者評價。
-
Implicit(隱式) :通過一些分析和處理,才能反映使用者的喜好。如:使用者瀏覽、使用者頁面停留時間、訪問次數。
推薦系統演算法介紹:
談到推薦系統,當然離不開它的核心 —— 推薦演算法 。推薦演算法最早在1992年就提出來了,但是發展起來是最近這些年的事情,因為網際網路的爆發,有了更大的資料量可以供我們使用,推薦演算法才有了很大的用武之地。
下面我們分別來介紹幾種常用的推薦演算法:
基於使用者統計資訊的推薦:
這是最為簡單的一種推薦演算法,它只是簡單的根據系統使用者的基本資訊發現使用者的相關程度,然後將相似使用者喜愛的其他物品推薦給當前使用者。
系統首先根據使用者的型別,比如按照年齡、性別、興趣愛好等資訊進行分類。根據使用者的這些特點計算形似度和匹配度。如圖,發現使用者A和B的性別一樣,年齡段相似,於是推薦A喜歡的商品給C。
優點:
-
不需要歷史資料,沒有冷啟動問題;
-
不依賴於物品的屬性,因此其他領域的問題都可無縫接入。
缺點:
演算法比較粗糙,效果很難令人滿意,只適合簡單的推薦。
相關學者
1、Yehuda Koren
個人主頁:Koren's HomePage
主要貢獻:Netflix Prize的冠軍隊成員,是推薦系統領域的大神級人物,現就職於雅虎
代表文獻:Matrix Factorization Techniques For Recommender Systems
2、Hao Ma
個人主頁:HaoMa's HomePage
主要貢獻:社會化推薦領域的大牛,提出了許多基於社會化推薦的有效演算法,現就職於微軟
代表文獻:SoRec: Social Recommendation Using Probabilistic Matrix Factorization
3、郭貴冰
個人主頁:Guibing Guo's HomePage
主要貢獻:國內推薦系統大牛,創辦了推薦系統開源專案LibRec
代表文獻:TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings
4、Hao Wang
個人主頁:HaoWang's HomePage
主要貢獻:擅長運用深度學習技術提高推薦系統性能
代表文獻:Collaborative deep learning for recommender systems
5、何向南
個人主頁:Xiangnan He's Homepage
主要貢獻:運用深度學習技術提高推薦系統性能
代表文獻:Neural Collaborative Filtering
6、Robin Burke
個人主頁:rburke's HomePage
主要貢獻:混合推薦方向的大牛
代表文獻:Hybrid recommender systems: Survey and experiments
7、項亮
主要貢獻:國內推薦系統領域中理論與實踐並重的專家,Netflix Prize第二名
代表文獻:《推薦系統實踐》。
8、石川
個人主頁:shichuan's HomePage
主要貢獻:研究方向為異質資訊網路上的推薦,提出了加權的異質資訊相似度計算等
代表文獻:Semantic Path based Personalized Recommendation on Weighted Heterogeneous Information Networks
基於內容的推薦(Content-basedRecommendation)
基於內容的推薦是建立在產品的資訊上作出推薦的,而不需要依據使用者對專案的評價意見,更多地需要用機器學習的方法從關於內容的特徵描述的事例中得到使用者的興趣資料。
系統首先對商品書籍的屬性進行建模,圖中用型別作為屬性。在實際應用中,只根據型別顯然過於粗糙,還需要考慮其他資訊。通過相似度計算,發現書籍A和C相似度較高,因為他們都屬於武俠小說類。系統還會發現使用者A喜歡書籍A,由此得出結論,使用者A可能對書籍C也感興趣。於是將書籍C推薦給A。 接下來,舉一個明瞭的例子 :
下面是亞馬遜中國的一個例子,未登入使用者瀏覽了關於Hadoop的書籍,於是在首頁會出現如下相關產品的推薦:
優點:
-
對使用者興趣可以很好的建模,並通過對商品和使用者新增標籤,可以獲得更好的精確度;
-
能為具有特殊興趣愛好的使用者進行推薦。
缺點:
-
物品的屬性有限,難以區分商品資訊的品質;
-
物品相似度的衡量標準只考慮到了物品本身,有一定的片面性;
-
不能為使用者發現新的感興趣的產品。
相關文章
-
Burke et al. HybridRecommender Systems: Survey and Experiments. USER MODEL USER-ADAP,2002.
-
Adomavicius et al. Toward thenext generation of recommender systems: A survey of the state-of-the-art andpossible extensions. IEEE TKDE, 2005.
-
Su et al. A survey ofcollaborative filtering techniques. Advances in artificialintelligence, 2009.
-
Cacheda et al. Comparison ofcollaborative filtering algorithms: Limitations of current techniques andproposals for scalable, high-performance recommender systems. ACMTWEB, 2011.
-
Zhang et al. Tag-awarerecommender systems: a state-of-the-art survey. J COMPUT SCITECHNOL, 2011.
-
Tang et al. Socialrecommendation: a review. SNAM, 2013.
-
Yang et al. A survey ofcollaborative filtering based social recommender systems. COMPUTCOMMUN, 2014.
-
Shi et al. Collaborativefiltering beyond the user-item matrix: A survey of the state of the art andfuture challenges. ACM COMPUT SURV, 2014.
-
Chen et al. Recommendersystems based on user reviews: the state of the art. USER MODELUSER-ADAP, 2015.
-
Xu et al. Social networkingmeets recommender systems: survey. Int.J.Social Network Mining,2015.
-
Yu et al. A survey ofpoint-of-interest recommendation in location-based social networks. InWorkshops at AAAI, 2015.
-
Zhang et al. Deep learningbased recommender system: A survey and new perspectives. arXiv,2017.
-
Singhal et al. Use of DeepLearning in Modern Recommendation System: A Summary of Recent Works. arXiv,2017.
-
Zhang et al. ExplainableRecommendation: A Survey and New Perspectives. arXiv, 2018.
協同過濾推薦(CollaborativeFiltering Recommendation)
背景 : 協同過濾的場景是這樣的:要為某使用者推薦他真正感興趣的內容/商品,首先要找到與此使用者有相似興趣的其他使用者,然後將他們感興趣的內容推薦給該使用者。協同過濾就是利用這個思想,基於其他使用者對某一個內容的評價來向目標客戶進行推薦。
基於協同過濾的推薦系統可以說是從使用者的角度來進行相應的自動的推薦,即使用者獲得的推薦是系統從購買模式或瀏覽行為等隱式獲得的。
比較:這裡你是否覺得協同過濾推薦和基於使用者統計資訊的推薦以及基於內容的推薦有很多相似之處呢?下面我們先來比較一下協同過濾推薦和上述兩種推薦的區別。
-
協同過濾推薦 VS 基於使用者統計資訊推薦
基於使用者的協同過濾推薦機制和基於使用者統計資訊推薦機制都是計算使用者的相似度,並基於“鄰居”使用者群計算推薦,但它們所不同的是如何計算使用者的相似度,基於使用者統計資訊只考慮使用者本身的特徵,而基於使用者的協同過濾機制是在使用者的歷史偏好的資料上計算使用者的相似度,它的基本假設是,喜歡類似物品的使用者可能有相同或者相似的興趣愛好。
-
系統過濾推薦 VS 基於內容的推薦
基於專案的協同過濾推薦和基於內容的推薦其實都是基於物品相似度預測推薦,只是相似度計算的方法不一樣,前者是從使用者歷史的偏好推斷,而後者是基於物品本身的屬性特徵資訊。
描述:協同過濾演算法,顧名思義就是指使用者可以齊心協力,通過不斷的和網站互動,是自己的推薦列表能夠不斷過濾掉自己不感興趣的物品,從而越來越滿足自己的需求。
協同過濾演算法主要有兩種,一種是 基於使用者的協同過濾演算法(UserCF) ,另一種是 基於物品的協同過濾演算法(ItemCF) 。
基於使用者的協同過濾演算法:
通過計算使用者對商品評分之間的相似性,搜尋目標使用者的最近鄰居,然後根據最近鄰居的評分向目標使用者產生推薦。
1. 相似度計算
常用的相似度計算方法有歐式距離、餘弦距離演算法、傑卡德相似性演算法,這裡主要介紹餘弦距離演算法。
餘弦距離更多的是從方向上區分差異,而對絕對的數值不敏感,更多的用於使用使用者對內容評分來區分興趣的相似度和差異,同時修正了使用者間可能存在的度量標準不統一的問題(因為餘弦距離對絕對數值不敏感)。
幾何中夾角餘弦可用來衡量兩個向量方向的差異,機器學習中借用這一概念來衡量樣本向量之間的差異。
-
在二維空間中向量A(x1,y1)與向量B(x2,y2)的夾角餘弦公式:
-
對於兩個n維a(x11,x12,…,x1n)和b(x21,x22,…,x2n),可以使用類似於夾角餘弦的概念來衡量它們間的相似程度
定義:
推薦系統中的資料來源D=(U,I,R),其中U ={User1,User2,User3,…,Useri}是使用者的基本集合,I = {Item1,Item2,…,Itemj}是專案集合;i*j階矩陣R是基本使用者對各專案的評分矩陣,第m行第n列的元素Rmn代表使用者m對專案n的評分。
餘弦相似性:
應用到推薦系統的場景是這樣的:兩個專案i和j被當作兩個n維的向量a和b。每個使用者的評分都可以看作為n維空間上的向量,如果使用者對產品沒有進行評分,則將使用者對該專案的評分設為0。使用者間的相似性通過向量間的餘弦夾角度量:
其中,分子為兩個使用者評分向量的內積,分母為兩個使用者向量模的乘積。
修正餘弦相似性
餘弦相似性未考慮到使用者評分尺度問題,如在評分割槽間[1,5]的情況下,對使用者甲來說評分3以上就是自己喜歡的,而對於使用者乙,評分4以上才是自己喜歡的。通過減去使用者對專案的平均評分,修正的餘弦相似性度量方法改善了以上問題。
使用者a和b共同評分過的專案集合用來表示, = (和分別表示使用者a和使用者b評分過的專案的集合,結果是它們的交集)。因此,使用者a和b的相似性:
表示使用者a對專案d的評分,和分別表示使用者a和使用者b對所有商品的平均評分。
查詢最近鄰居
通過上面對目標使用者相似度的計算,我們可以找到與目標使用者最相似的N個鄰居的集合。
-
選擇相似度大於設定閾值的使用者;
-
選擇相似度最大的前 N個使用者;
-
選擇相似度大於預定閾值的 N個使用者。
產生推薦商品
其中sim(i,j)表示使用者i與使用者j之間的相似性,表示最近鄰居使用者j對專案d的評分,和分別表示使用者i和使用者j的平均評分,實質是在使用者的最近鄰居集NESi中查詢使用者,並將目標使用者與查詢到的使用者的相似度的值作為權值,然後將鄰居使用者對該專案的評分與此鄰居使用者的所有評分的差值進行加權平均。
通過上述方法預測出目標使用者對未評價專案的評分,然後選擇預測評分最高的TOP-N項推薦給目標使用者。
程式碼與工具
1、LibRec
java版本開源推薦系統,包含了70多種經典的推薦演算法。
2、Surprise
python版本開源推薦系統,包含了多種經典的推薦演算法。
3、LibMF
c++版本開源推薦系統,主要實現了基於矩陣分解的推薦演算法。
4、Recommender-System
python版本開源推薦系統,包含了多種經典的推薦演算法。
5、Neural Collaborative Filtering
python實現神經協同過濾推薦演算法。
根據前面使用者計算的相似度和尋找最近鄰居來計算推薦度,這裡舉例圖示說明。
示例1:
下面是新浪網新聞熱點推薦,使用者在新浪網瀏覽了一系列的財經類新聞,根據使用者相似性,即兩個使用者有相同的愛好做出的推薦。
基於專案的協同過濾演算法:
基於專案協同過濾在於透過計算專案之間的相似性來代替使用者之間的相似性。所建立的一個基本的假設:”能夠引起使用者興趣的專案,必定與其之前評分高的專案相似”。
基於專案的協同過濾演算法的關鍵步驟仍然是計算專案之間的相似性並選出最相似的專案,這一點與基於使用者的協同過濾類似。
計算兩個專案i和j之間相似性的基本思想是首先將對兩個專案共同評分的使用者提取出來,並將每個專案獲得的評分看作是n維使用者空間的向量,再通過相似性度量公式計算兩者之間的相似性。
分離出相似的專案之後,下一步就要為目標專案預測評分,通過計算使用者u對與專案i相似的專案集合的總評價分值來計算使用者u對專案i的預期。
這裡我們主要來關注一下基於使用者的協同過濾和基於專案的協同過濾演算法的區別:
-
基於使用者的協同過濾是推薦使用者所在興趣小組中的熱點,更注重社會化;比如:如上面示例1所示,新浪網給目標客戶推薦其他有相同或相似興趣愛好的人關注的新聞,這樣就保證了新聞入口網站需要的時效性,給使用者最新最及時最感興趣的新聞資訊。
-
基於專案的協同過濾演算法則是根據使用者歷史行為推薦相似物品,更注重個性化。比如購物網站,使用者的興趣愛好一般比較固定,網站一般是給目標使用者推薦他所感興趣領域的產品。可參考示例2.
示例2:
下面是淘寶網站的例子,“猜你喜歡”就是將相同型別的東西推薦給使用者。
再來看京東網站的例子。使用者瀏覽書籍《Hadoop實戰》
然後下面就會產生“熱門推薦”,即鄰居專案的產生。
優點:
-
能夠過濾難以進行機器自動內容分析的資訊,如藝術品,音樂等;
-
共享其他人的經驗,避免了內容分析的不完全和不精確,並且能夠基於一些複雜的,難以表述的概念(如資訊質量、個人品味)進行過濾;
-
有推薦新資訊的能力。可以發現內容上完全不相似的資訊,使用者對推薦資訊的內容事先是預料不到的。這也是協同過濾和基於內容的過濾一個較大的差別,基於內容的過濾推薦很多都是使用者本來就熟悉的內容,而協同過濾可以發現使用者潛在的但自己尚未發現的興趣偏好;
-
能夠有效的使用其他相似使用者的反饋資訊,較少使用者的反饋量,加快個性化學習的速度。
不足:
-
稀疏性問題。大多數使用者只評價了部分專案,這樣導致使用者-評分矩陣十分稀疏,這樣不利於推薦系統為使用者推薦資訊;
-
冷啟動問題。新產品沒有任何使用者的評分,在協同過濾中是無法推薦的。新使用者沒有歷史資訊,也是無法推薦的;
-
同一性問題。對於那些內容相同但是名稱不同的專案,協同過濾是無法發現它們內在的聯絡。
基於關聯規則的推薦(AssociationRule-based Recommendation)
描述:關聯規則演算法首先由Agrawal和Swami提出,最早的成型為經典的Apriori演算法。它的基本思想是:使用一種稱作逐層搜尋的迭代方法,k項集用於探索(k+1)項集。首先,通過掃描事務(交易)記錄,找出所有的頻繁1項集,該集合記做L1,然後利用L1找頻繁2項集的集合L2,L2找L3,如此下去,直到不能再找到任何頻繁k項集。最後再在所有的頻繁集中找出強規則,即產生使用者感興趣的關聯規則。
關於這個演算法有一個非常有名的故事:"尿布和啤酒":美國的婦女們經常會囑咐她們的丈夫下班後為孩子買尿布,而丈夫在買完尿布後又要順手買回自己愛喝的啤酒,因此啤酒和尿布在一起被購買的機會很多。這個舉措使尿布和啤酒的銷量雙雙增加,並一直為眾商家所津津樂道。
概念介紹:
-
支援度:S(Support) 事物包含A B = P(x),表示事件x出現的概率;
-
置信度:C(Confidence) 在A發生的事件中同時發生B的概率 P(AB)/P(A) = P(B|A);
-
頻繁項集:(Frequent Itemset)支援度大於等於特定的最小支援度(MinimumSupport/minsup)的項集。表示為L k。
-
連線步:L(k-1) 與其自身進行連線,產生候選項集 C(k) 。 L(k-1) 中某個元素與其中另一個元素可以執行連線操作的前提是它們中有(k-2) 個項是相同的。也就是隻有一個項是不同的。如:項集 {I1,I2} 與 {I1,I5} 連線之後產生的項集是 {I1,I2,I5} ,而項集 {I1,I2} 與 {I3,I4}不能進行連線操作。
-
剪枝步:C k是L k的超集,也就是說,C k的成員可能是也可能不是頻繁的。通過掃描所有的事務(交易),確定C k中每個候選的計數,判斷是否小於最小支援度計數,如果不是,則認為該候選是頻繁的。為了壓縮Ck,可以利用Apriori性質:任一頻繁項集的所有非空子集也必須是頻繁的,反之,如果某個候選的非空子集不是頻繁的,那麼該候選肯定不是頻繁的,從而可以將其從C k中刪除。
下面我們通過一個例子來解釋:
Apriori演算法的缺點:
-
由頻繁 k-1 項集進行自連線生成的候選頻繁 k 項集數量巨大;
-
在驗證候選頻繁 k 項集的時候需要對整個資料庫進行掃描,非常耗時。
Apriori演算法的優化 ——Fp-tree 演算法
這裡簡單介紹下優化思想:
以樹形的形式來展示、表達資料的形態;可以理解為水在不同河流分支的流動過程; 步驟如下:
-
掃描原始專案集;
-
排列資料;
-
建立 ROOT 節點;
-
按照排列的資料進行元素的流動;
-
節點 +1 ;
優點:
-
能發現新興趣點;
-
不要領域知識。
不足:
-
演算法的第一步關聯規則的發現最為關鍵且最耗時,是演算法的瓶頸,但可以離線進行;
-
其次,商品名稱的同義性問題也是關聯規則的一個難點。
其他推薦演算法介紹:
除了上面比較詳細介紹的集中推薦演算法,這裡再簡單介紹一下其他幾種演算法。
基於效用推薦
基於效用的推薦( Utility-basedRecommendation )是建立在對使用者使用專案的效用情況上計算的,其核心問題是怎麼樣為每一個使用者去建立一個效用函式,因此,使用者資料模型很大程度上是由系統所採用的效用函式決定的。基於效用推薦的好處是它能把非產品的屬性,如提供商的可靠性( VendorReliability )和產品的可得性( ProductAvailability )等考慮到效用計算中。
基於知識推薦
基於知識的推薦( Knowledge-basedRecommendation )在某種程度是可以看成是一種推理( Inference )技術,它不是建立在使用者需要和偏好基礎上推薦的。基於知識的方法因它們所用的功能知識不同而有明顯區別。效用知識( FunctionalKnowledge )是一種關於一個專案如何滿足某一特定使用者的知識,因此能解釋需要和推薦的關係,所以使用者資料可以是任何能支援推理的知識結構,它可以是使用者已經規範化的查詢,也可以是一個更詳細的使用者需要的表示。
組合推薦
由於各種推薦方法都有優缺點,所以在實際中,組合推薦( HybridRecommendation )經常被採用。研究和應用最多的是內容推薦和協同過濾推薦的組合。最簡單的做法就是分別用基於內容的方法和協同過濾推薦方法去產生一個推薦預測結果,然後用某方法組合其結果。儘管從理論上有很多種推薦組合方法,但在某一具體問題中並不見得都有效,組合推薦一個最重要原則就是通過組合後要能避免或彌補各自推薦技術的弱點。
在組合方式上,有研究人員提出了七種組合思路: 1 )加權( Weight ):加權多種推薦技術結果。 2 )變換( Switch ):根據問題背景和實際情況或要求決定變換採用不同的推薦技術。 3 )混合( Mixed ):同時採用多種推薦技術給出多種推薦結果為使用者提供參考。 4 )特徵組合( Featurecombination ):組合來自不同推薦資料來源的特徵被另一種推薦演算法所採用。 5 )層疊( Cascade ):先用一種推薦技術產生一種粗糙的推薦結果,第二種推薦技術在此推薦結果的基礎上進一步作出更精確的推薦。 6 )特徵擴充( Featureaugmentation ):一種技術產生附加的特徵資訊嵌入到另一種推薦技術的特徵輸入中。 7 )元級別( Meta-level ):用一種推薦方法產生的模型作為另一種推薦方法的輸入。
推薦系統的未來與發展方向:
增加推薦的多維性:
當前的大部分研究都是基於物件 - 使用者的二維度量空間的,未考慮相關資訊。然而,使用者對物件的評價和選擇常常由很多環境因素來決定,比如某個物件在特定時段很流行,使用者在某個地方瀏覽物件的時候偏向於選擇某類物件等。推薦系統除了融合了電腦科學的很多領域,它還融合了心理學、社會學。
個性化搜尋結果會把搜尋引擎變成上下文感知的推薦系統:
推薦系統是一個臨界線,可以說這是個性化搜尋。它可以發現使用者 “ 現在 ” 所關心的事,比如系統發現你之前買過鞋,現在在搜尋襯衫,那你現在其實是想幹什麼?推薦系統可以根據你是想和朋友一起去看電影,還是想和家人呆在一起,做出不同推薦。
增加向用戶解釋的推薦結果
根據使用者的知識庫,可以向用戶做出更好的解釋,向它們說明是什麼樣的因素在幫助系統做出這樣的推薦。利用這樣的系統,使用者確實體驗更好了,他們對於系統的信任程度也提高了。
當然,推薦系統的發展方向和研究熱點還有很多。隨著對推薦系統功能需求特別是實時性及準確性上的需求水平的不斷提高 , 其實現技術也都面臨著嚴峻的挑戰 , 需要不斷的完善。
最後感謝“AnnieJ”部落格的詳細介紹和“張小磊啊”的資料。
如果想加入我們“ 計算機視覺戰隊 ”,請掃二維碼加入學習群,我們一起學習進步,探索領域中更深奧更有趣的知識!