本文共 737 字,大约阅读时间需要 2 分钟。
推荐系统特征
首先需要明确的就是推荐系统的目标:
- 用户满意性:首当其冲的,推荐系统主要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关键指标。
- 多样性:虽然推荐系统主要是满足用户的兴趣,但也要兼容多样性。
- 新颖性:用户看到的内容是那些他们之前没有听说过的物品。简单的做法就是去掉用户之前有过行为的那些内容。
- 实时性:推荐系统主要根据用户的上下文来实时更新推荐内容,用户的兴趣也是随着时间而改变的。
- 推荐透明度:对于用户的最终结果,要让用户知道推荐此内容的原因。比如:“买过这本书的人也同时买过”,“你购买的物品与**相似”。
- 覆盖率:挖掘长尾内容也是推荐系统的重要目标。推荐的内容覆盖到的内容越多越好。
推荐系统包括四种推荐方式:
- 热门推荐:热门排行榜的概念
- 人工推荐:人工干预的推荐内容。
- 相关推荐:类似于关联规则的个性推荐,在读某一个内容时,会提示你阅读此内容相关的内容。
- 个性化推荐:基于用户的历史行为做出内容的推荐。
其中,前三者和机器学习没有任何关系。
个性化推荐系统
个性化推荐系统是机器学习应用的一个典型场景。在本质上和搜索引擎类似,同样是为了解决信息过载的问题。搜索引擎某种意义上也是一个个性化推荐系统,但是其输入特征是可以从搜索关键字直接得到的,而一般的推荐系统,输入特征则是需要机器学习才能得到的。
个性化推荐系统最为核心的推荐算法,目前比较流行的几种:
- 基于内容的推荐:根据内容样本的属性所做的推荐。
- 给予关联规则的推荐:“啤酒与尿布”的方式,是一种动态的推荐,能够实时对用户的行为做出推荐。
- 协同过滤推荐:静态方式的推荐,是根据用户已有的历史行为作分析的基础上做的推荐。可分为物品协同过滤,用户协同过滤,基于模型的协同过滤。
转载地址:http://qwwzb.baihongyu.com/