移动环境下的内容推荐初探.pptx

移动环境下的内容推荐初探 Agenda ● 什么是推荐系统 ● 移动内容推荐的特点 ● 豌豆荚移动内容推荐关键技术 ● 总结 什么是推荐系统 Recommender systems or recommendation systems (sometimes replacing system with a synonym such as platform or engine) are a subclass of information filtering system that seek to predict the rating or preference that user would give to an item. - from wikipedia Recommender systems/engines are a subclass of information retrieval systems/engines in passive mode. Search systems/engines are a subclass of information retrieval systems/engines in active mode. 常用的推荐功能 ● 有哪些值得看的电影？ ● 去哪儿下馆子腐败？ ● 淘点啥宝贝？ ● 装什么有意思的应用？ ● 大家都在讨论什么话题？ ● Netflix Prize $1 Million Challenge? 应用场景 排行榜推荐 个性化推荐 使用海量数据 电影推荐 多 多 是 餐馆推荐 多 少 是 商品推荐 多 多 是 应用推荐 多 多 是 话题推荐 多 少 是 广告推荐 少 多 是 推荐技术应用场景 推荐用户(User) 海量数据是推荐之本 推荐位置 ● 推荐位所在页面内容 ● 推荐位在页面中位置 推荐物品(Item) 推荐物品 ● 种类、主题、关键词 ● 生命周期、投放规则 ● 大小、颜色、价格 ● …... 推荐用户 ● 人口学属性(性别、年 龄等) ● 行为属性/兴趣特征(浏 览、有哪些信誉好的足球投注网站、缓存) ● Social内容(社交关系 、小组发帖) ● 上下文(时间、地点等) ● …... 推荐算法 关键规则挖掘 协同过滤 CF(User-based CF, Item- based CF) 矩阵分解 图挖掘 基于热度/知识/规则的推荐 基于内容的推荐 基于预测模型的推荐 混合推荐方法 推荐算法 推荐用户 用户行为属性 Social内容 人口学属性 行为属性/兴趣 特征 用户全局画像 推荐场景 一个用户在多个物品 有行为 用户-物品行为矩阵 不能过于稀疏 用户对物品的兴趣规 律可观察 适用于解决冷启动 (cold start)问题 真实系统大都这么做 推荐算法 优点 缺点 示例 基于知识的推荐算法( 基于人工观察和经验 ，抽象出规则进行推 荐) 1.方法简单 2.规则易解释、易运营 3.所需数据少 1.规则来源于人工知识，覆盖 率差 2.有效周期难以判断 好友推荐 基于内容的推荐算法 1.可以解决冷启动问题 2.方便整合各种用户/物品特征 3.推荐结果易于理解 1.受限于特征提取的准确性 2.需要大量的支撑数据 3.常局限于特征稀疏的情况 GoogleNews Amazon 淘宝 豌豆荚 协同过滤的推荐算法 1.原理简单有效，易于理解 2.算法灵活，支持海量用户/物品 3.无需考虑复杂特征，支持特征 空间极其复杂的用户/物品的高效 计算 1.很明显的冷启动问题 2.常受限于用户/物品行为矩 阵稀疏的情况 3.受限于用户/物品rating的正 确性 Netfix 淘宝 Amazon 豆瓣 豌豆荚 常用推荐算法比较 协同过滤-User-based CF 协同过滤-Item-based CF 移动推荐的特点 使用次数多 时间碎片化 内容消费占大头 用户易定位(用户-设备) 特点 原因 实时推荐非常重要 移动设备/应用使用次数多 推荐的准确率要求更高 移动设备/应用使用时间碎片化 内容推荐是关键 移动设备/应用消费中内容是大头 可利用用户信息更丰富 移动设备可以用来准确定位用户 移动推荐的新特点 豌豆荚移动内容推荐 关键技术 豌豆荚移动内容推荐框架 关键技术之 知识图谱 知识图谱 - Knowledge Graph Knowledge