基于群体相似性的智能推荐模型剖析.ppt

基于群体相似性的智能推荐模型 目录 1 2 基于协同过滤的推荐模型 功能 根据用户之间在历史访问记录上的关联性，预测用户对于未访问项的偏好程度，并进行推荐 适用范围 业务产品、互联网内容资讯、广告等内容推荐，不需要内容的文本特征，只要有用户的历史访问、下载、评分等数据即可 模型输入 目标用户u、系统中所有用户访问过的内容项（页面、文章、书籍）集合I及对每个用户对集合中元素的访问权重（可以是访问频次、评分值或根据不同的用户行为类型指定一个相应权值） 模型输出 目标用户u可能喜欢的Top-N项列表 用户数据分析平台中提供了多种类型的协同过滤算法，主要包括： a.以用户为中心的算法。为目标用户构建与其偏好类似的近邻集合，向其推荐近邻里用户的喜好的项集； b.以Item为中心的算法。为每个Item构建近邻集合，向目标用户推荐与其历史访问记录相似的项集； c.基于Item影响集合的算法。扩展以Item为中心的算法，考虑逆向近邻以改善性能； d.基于二部图随机游走的算法。利用用户和Item之间的传递关联性改善性能； e.基于矩阵分解的算法。通过矩阵分解技术将用户访问记录矩阵映射到低维空间，提升在线计算的效率。 3 基于协同过滤的推荐模型 用户 游戏a 游戏 b 游戏 c 游戏d 游戏e x 1 2 3 1 y 3 4 1 3 z 3 4 4 ? ? 示例为一个用户-项目评分矩阵，其中评分值代表用户对项目的偏好度。评分值可以是由用户提供的，或者是按照某种转化原则从用户行为中推导出的，例如浏览为1分、下载免费版本为2分、付费购买为3分、给予好评得4分 示例 我们假定任务是向用户z推荐一个他尚未下载过的最喜欢游戏，在本例中，这个问题简化为从游戏d和游戏e中挑选一个用户z最可能喜欢的。根据历史记录，用户z与用户y的相似程度较高，因此用户y的评价会更接近于z的观点，游戏e可能是用户z较喜欢的。 实际系统中的用户数和项目数量通常非常庞大，因此这个筛选过程也要复杂得多 4 基于协同过滤的推荐模型 用户 Item a Item b x 3 4 y 2 4 z 4 ? 用户z对事物b的评分可能是多少？SlopeOne算法认为：平均值也可以代替某两个未知个体之间的评分差异，事物a对事物b的平均差是：((3 – 4) + (2 – 4)) / 2 = -1.5，也就是说人们对事物b的评分一般比事物a的评分要高1.5，于是SlopeOne算法就猜测z对事物b的评分是4 + 1.5 = 5.5 5 基于FP Tree的关联规则推荐模型 功能 挖掘用户访问记录中存在频繁模式，最后根据频繁模式生成带有置信度权重的关联推荐规则，用于关联性产品、内容、链接推荐等用途 适用范围 业务产品、互联网内容资讯、广告等内容推荐，具体展现通常为在页面中生成相关列表 模型输入 系统中所有用户访问过的内容项（页面、文章、书籍）集合I及对每个用户对集合中元素的访问情况，当前的请求项i 模型输出 与当前请求项i相关的Top-N项列表 用户数据分析平台中使用如下方式对关联规则挖掘进行改进： a.基于频繁树的优化。按照数据库中的访问事务集生成频繁模式树，再对频繁模式树进行挖掘生成频繁模式，最后根据频繁模式生成带有置信度权重的关联推荐规则 b.聚类优化。预先对项目进行聚类，按照类别生成关联规则。 6 基于FP Tree的关联规则推荐模型 歌曲1 歌曲2 歌曲3 歌曲4 歌曲4 歌曲5 歌曲5 歌曲7 歌曲8 歌曲9 歌曲10 歌曲11 歌曲12 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 0 1 1 1 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 1 1 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 1 1 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 1 1 1 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 1 0 0 0 1 0 0 1 1 0 0 1 0 1 0 0 0 1 。。。 。。。 。。。 。。。 。。。 。。。 。。。 。。。 。。。 。。。 。。。 。。。 。。。 示例 规则1：下载过歌曲5的用户也下载过歌曲3（置信度67%，覆盖率5%） 规则2：下载过歌曲5的用户也下载过歌曲6（置信度50%，覆盖