智能推荐数据评估体系.pptx

智能推荐数据评估体系

目录CONTENTS1智能推荐什么是智能推荐及目前应用场景。2智能推荐方式目前市场上的智能推荐方式有哪些？3智能推荐的某些坑目前智能推荐的某些坑及其处理方案.4智能推荐系统的评测指标什么是好的智能推荐系统？

PART1智能推荐

1智能推荐智能推荐系统就是联络顾客和内容。首先帮顾客发现自己感爱好的、对自己有价值的内容。另首先让内容可以展目前对它感爱好的顾客面前。从而实现内容消费者和内容生产者之间的双赢。智能推荐系统不需要顾客提供明确的需求，甚至联顾客主动提出需求都不需要。智能推荐系统通过度析顾客的历史行为给顾客的爱好建模，从而积极给顾客推荐满足他/她们爱好和需求的内容。什么是智能推荐

2智能推荐目前应用场景网易云音乐平台的推荐，分析来看跟我目前主页音乐的风格、以及我的历史浏览有关。

2智能推荐目前应用场景这是当当网的书籍推荐，即当你浏览一本书时，下面会给这个推荐列表，从其描述以及个人分析来看，与个人的行为有关性会小某些，应当是基于大盘顾客的浏览轨迹做的关联分析，进而进行关联推荐。

PART2智能推荐方式

2智能推荐方式1.分析顾客行为数据2.分析顾客标签数据基于顾客行为分析的推荐算法是智能推荐系统的重要算法，这种类型的算法称为协同过滤算法。顾名思义，协同过滤就是指顾客可以齐心合力，通过不停地和网站互动，使自己的推荐列表可以不停过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。顾客行为分为两种:显性反馈行为:包括顾客明确表达对物品喜好的行为;隐性反馈行为:指的是那些不能明确反应顾客喜好的行为。通过某些特性标签数据联络顾客和物品，给顾客推荐具有顾客喜欢特性的物品。标签是一种无层次化构造的、用来描述信息的关键词，它可以用来描述物品的语义。标签应用一般分为两种，一种是让作者或者专家给物品打标签;另一种是让普通顾客给物品打标签，也就是UGC的标签应用。当一种顾客对一种物品打上一种标签，这个标签一方面描述了顾客的爱好，另首先则表示了物品的语义，从而将顾客和物品联络了起来。

2智能推荐方式3.分析顾客社交网络数据4.分析顾客上下文信息基于社交网络数据的推荐可以很好地模拟现实社会。在现实社会中，诸多时候我们都是通过朋友获得推荐。调查显示，90%的顾客相信朋友对他们的推荐，70%的顾客相信网上其他顾客对广告商品的评论。从该调查可以看出，好友的推荐对于增长顾客对推荐结果的信任度非常重要。获取社交网络数据的途径包括:电子邮件 顾客注册信息 顾客的位置数据 论坛和讨论组 即时聊天工具 社交网站顾客所处的上下文，包括顾客访问系统的时间、地点、心情等，对于提高智能推荐系统是非常重要的。顾客的上下文信息包括:时间上下文信息:对顾客爱好的影响体现，其包括:用户爱好的变化、物品是有生命周期的、以及季节效应;地点上下文信息:不一样地区的顾客爱好有所不一样，用户到了不一样的地方，爱好也会有所不一样。

PART3智能推荐的某些坑

3智能推荐的某些坑当顾客行为数据不够的时候，基于顾客行为的分析结论就是个伪命题1好的推荐系统一般状况下很依赖于顾客的行为数据，由于从顾客行为中自然能一窥顾客的某些偏好所在，但实际状况是，顾客的行为数据并不是这么轻易的，当顾客行为数据不够的时候，基于顾客行为的分析结论就是个伪命题，甚至会把你带向错误的方向。

3智能推荐的某些坑2顾客的偏好一定是会时间偏移进行转变的，因此顾客行为的有效性又会是一种问题。马太效应或者说长尾效应，即热者愈热，实际举例来说就是，在实际的购置场景中，由于你推荐的次数越多，部分优质的商品购置或者点击的次数就越多，形成的顾客购置轨迹就越多，因此得到的推荐机会就越多，进而产生的推荐也越多，变得越热。伴随不停迭代，子子孙孙无穷尽也，这样得到推荐的商品就会集中在少部分商品中，而大部分长尾商品是沉寂的，一种推荐系统假如长时间处在长尾效应中，导致推荐疲劳，其推荐效果就会减弱。因此，一种好的推荐系统，要考虑到合适的挖掘长尾商品，通过真的个性化，把合适的长尾商品送到真正需要他们的人手里，在实际的操作过程中，我们可以合适的进行热度降权，从而让某些中下层的商品得到更多的曝光机会，当然前提是保证点击率的状况下。此外一种场景会形成马太效应的是热度模型，即我们的热度榜单，长时间的高居榜首，一定会获得更多的点击，而点击越多其热度越高，但我们的信息是需要保持新鲜度的，否则点击率迟早会下架的。因此，我们使用某些机制让处在头部的商品或者信息降权，时间衰减是一种比较通用的做法，即随着时间的迁移，其整体热度会不停的下降，至于说下降的方式，速率就看模型的设计了。

3智能推荐的某些坑假设这个是新顾客呢？完全没