推荐系统那些事儿2

标签： 个性化推荐与搜索 | 发表时间：2012-09-02 12:42 | 作者：bicloud
出处：http://blog.sina.com.cn/bicloud

推荐系统那些事儿2

1 非个性化

（1）Item相似度

学名：co –occurrence

隐性数据：视频，社交网络，电子商务中的共同浏览，共同购买，互粉等等，对于一些隐性数据，计算共同行为，这也是最简单的。一般的方式是，写个sql 自连接。部分人定义为协同过滤思想，姑且看做狭义定义。实际处理中，需要经过数据预处理，包括业务上的和技术上的。这里，可以采用LoglikelihoodSimilarity作为相似性度量方式

显性数据：譬如用户评分数据，需要经过数据预处理，譬如处理一些bias，然后根据皮尔逊相似度度量方式，计算item之间的相似度

基于内容计算相似度

根据item的属性特征，譬如网页的特征，歌曲的特征等，根据editdistance，或者基于tfidf，得到权重，计算余弦相似度

PS：数据量大的情况下，相似度的计算是个问题，

http://www.bayardo.org/ps/www2007.pdf

（2）业务规则

人工+机器

通过关联规则计算方式，计算item之间的关联关系，通过人工审查方式，对一些不符合要求的进行处理。同时，对于一些重要的业务规则，通过配置文件的方式，加入到整个规则库中，进行交叉推荐。

3排行榜单

新闻，视频，音乐，商品等等榜单。实践表明，做好一个榜单不是那么简单的。榜单可以分为多种维度，新颖度，流行度等等。譬如 http://top.taobao.com/。

趋势榜单，涉及到一些排序，指标定义等，这些需要结合业务规则。目前，很多榜单在一定的时间内，Item都不会变化，这就是排序算法问题，业务问题，榜单，没那么简单。

投票排序，这块有很多算法很好用，一些互联网产品在用，譬如bayesian ranking等等。

 

2个性化推荐

个性化推荐，考虑用户的因素

(1)协同过滤

注意点：

数据预处理，对于隐性数据，主要是流行度非常高的item，需要做一些处理；对于显性数据，评分可能存在误差，需要对其做一些处理，去除bias，譬如item均值等。

相似度度量方式选择，根据数据特征选择。

     考虑时间因素，recency信息，进行处理

(2)基于内容

  根据用户特征信息和item特征信息，进行matching计算，譬如相似度计算等

 

 


  青春就应该这样绽放   游戏测试：三国时期谁是你最好的兄弟！！   你不得不信的星座秘密

相关 [推荐系统] 推荐：

Min-Hash和推荐系统

- - xlvector - Recommender System
前几年看Google News Recommendation的那篇Paper，对里面提到的MinHash的算法基本没有注意，因为之前的习惯都是只注意论文的模型那块，至于怎么优化模型一般都只是扫一眼. 不过最近看了大量的Google Paper，发现Google在实现一个算法方面确实有很多独到之处. 其实，Min-Hash是LSH（Locality Sensitive Hash）的一种，我之前对LSH的了解仅仅限于知道它能把两个相似的东西Hash成两个汉明距离接近的2进制数.

推荐系统实战

- - 博客园_首页
推荐算法：基于特征的推荐算法. 推荐算法准确度度量公式：. 其中，R(u)表示对用户推荐的N个物品，T(u)表示用户u在测试集上喜欢的物品集合. 集合相似度度量公式(N维向量的距离度量公式)：. 其中，N(u)表示用户u有过正反馈的物品集合. 其中，S(u,k)表示和用户u兴趣最接近的K个用户集合；N(i)表示对物品i有过正反馈的用户集合；w(u,v)表示用户u和用户v的兴趣相似度；r(v,i)表示用户v对物品i的兴趣.

推荐系统杂谈

- - 后端技术杂谈 | 飒然Hang
推荐系统是近些年非常火的技术，不管是电商类软件还是新闻类app，都号称有精准的推荐系统能给你推送你最感兴趣的内容. 现象级的资讯类app“今日头条”就得益于此成为了势头非常猛的一款产品. 本文就针对推荐系统讲述一些相关概念和实践经验. 首先需要明确的就是推荐系统的目标，一般来说不外乎以下几个：. 用户满意性：首当其冲的，推荐系统主要就是为了满足用户的需求，因此准确率是评判一个推荐系统好坏的最关键指标.

个性化推荐系统综述

- Tony - 所有文章 - UCD大社区
上个月写过一篇产品推荐的文章，详情请见《我所了解的产品推荐》，内容很泛，多为工作心得. 本周读了几篇相关的论文，收获颇多，分享点干货. 以下内容摘自《个性化推荐系统的研究进展》，该文发表于2009年1月的《自然科学进展》专题评述，作者是刘建国、周涛、汪秉宏. 我略去了具体的算法和许多公式，重点看原理、思路和比较.

推荐系统开源工具 – SVDFeature

- Roger - Resys China
SVDFeature是我们（上海交大Apex实验室）在参加KDDCUP 2011期间开发的. 通过这个工具，我们和港科大（HKUST）的联合小组InnerPeace在KDDCUP 2011中获得Track 1第三名，并创造单模型最好成绩. 在此分享给大家，并希望和大家有更多的交流. （1）基于feature的可扩展性 —— SVDFeature实现了我们的基础模型feature-based matrix factorization.

Reculike : 开源论文推荐系统

- votis - Resys China
今天这篇博文主要总结一下reculike的系统架构. 两周前我们宣布发布了reculike的alpha版. 本着分享的原则，今天在这儿介绍一下我们的各个模块的设计方法. 我们这个项目一开始叫paperlens，这是因为我们想学习业界的前辈movielens，开发一个源代码和数据都开源的系统. 关于数据的开源，我想当用户数达到一定程度后，每个月会dump一次我们所有的数据库（密码等隐私信息除外），放到网络上供大家下载.

推荐系统那些事儿1

- - 冰火岛
知识库：用户知识库，Item知识库，用户评分数据（显性和隐性）等.不同的业务背景不一样，譬如电商，社交网络，视频，app应用等. 协同过滤引擎：根据用户评分数据集，通过collaborative filtering方法，计算用户喜欢的top N item. 数据格式： userid， itemid，score.

下一代个性化推荐系统

- - 技术改变世界 创新驱动中国 - 《程序员》官网
本文结合技术及社会需求发展的大背景，讲述了当前推荐系统的价值及所面临的挑战，并指出了下一代个性化推荐系统的设计思路及需要注意的问题. 作为个性化推荐系统核心的协同过滤（Collabora-tive Filtering）算法，是Goldberg等人在1992年的一篇学术论文中最早提出的. 他们在这篇文章中提出一种方法，在一个新闻组中，根据 用户下载的新闻计算他们之间在口味上的相似程度，并利用这种相似程度为他们进一步推荐相关的新闻.

淘宝推荐系统的学习

- - 标点符
维基百科：推荐系统属于资讯过滤的一种应用. 推荐系统能够将可能受喜好的资讯或实物（例如：电影、电视节目、音乐、书籍、新闻、图片、网页）推荐给使用者. 推荐系统大体可分为两类，即个性化推荐和非个性化推荐. 好的推荐系统更像一个有经验的网站导购员. 不同点：搜索是通过用户主动输入的关键字进行查询. 推荐则是用户在浏览网站的过程中，不一定需要用户输入，根据当前网页的上下文进行个性化的信息输出.

推荐系统那些事儿2

- - 冰火岛
学名：co –occurrence. 隐性数据：视频，社交网络，电子商务中的共同浏览，共同购买，互粉等等，对于一些隐性数据，计算共同行为，这也是最简单的. 一般的方式是，写个sql 自连接. 部分人定义为协同过滤思想，姑且看做狭义定义. 实际处理中，需要经过数据预处理，包括业务上的和技术上的. 这里，可以采用LoglikelihoodSimilarity作为相似性度量方式.