人工智能基础与应用（第2版）（微课版）课件 6-1 认识个性化推荐.pptx

6-1认识个性化推荐模块?个性化推荐：主动满足你的需求

目录CONTENTS个性化推荐的思路01推荐算法分类02推荐效果评估03

一.个性化推荐的思路1.基于的事实认知人们更喜欢那些与自己喜欢的东西相似的物品、倾向于与和自己趣味相投的人有相似的爱好，或者不同的客户群体有固定的购物习惯等。个性化推荐的实现过程：

一.个性化推荐的思路2.推荐系统的两个特性特征主动化个性化推荐系统应用领域

二.推荐算法分类1.协同过滤推荐算法基本思想：给用户推荐和他兴趣相似的用户感兴趣的物品。当需要为用户A推荐时，首先找到和A兴趣相似的用户集合（用U表示），然后把集合U中所有用户感兴趣而A没有听说过（未进行过操作）的物品推荐给A。1.基于用户的协同过滤推荐算法：算法步骤：1.计算用户之间的相似度，选取最相似的N个用户构成用户集合。2.找到集合中用户喜欢但目标用户没有用过的物品，将其推荐给目标用户。

二.推荐算法分类1.协同过滤推荐算法皮尔逊相关系数：P余弦向量相似度:相似度计算：

二.推荐算法分类1.协同过滤推荐算法基于用户协同过滤推荐示例：

二.推荐算法分类1.协同过滤推荐算法2.基于物品的协同过滤推荐算法：基本思想：给用户推荐与他们以前喜欢的物品相似的物品。这里所说的相似并非从物品的角度出发，而是基于一种假设：喜欢物品A的用户大多也喜欢物品B，代表着物品A和物品B相似。算法步骤：1.计算物品之间的相似度。2.针对目标用户u，找到和用户感兴趣的物品最相似的物品集合，然后根据其感兴趣程度由高到低确定N个物品并推荐给用户u。

二.推荐算法分类1.协同过滤推荐算法2.基于物品的协同过滤推荐算法：物品相似度计算用户u对可能感兴趣的物品j的兴趣度

二.推荐算法分类1.协同过滤推荐算法2.基于物品的协同过滤推荐算法：基于物品的协同过滤推荐示例

二.推荐算法分类2.基于内容推荐算法基本思想：向用户推荐与其感兴趣的内容相似的物品，如用户喜欢励志类电影，那么系统会直接他推荐《阿甘正传》这部电影。这个过程综合考虑了用户兴趣和电影内容，因此不需要提供用户的历史行为数据，这能够很好地解决新用户的“冷启动”问题。算法步骤：1.为每个物品（Item）构建一个物品的特征。2.为每个用户（User）构建一个用户的喜好特征。3.计算用户喜好特征与物品特征的相似度，向用户推荐相似度最高的物品。

二.推荐算法分类3.关联规则推荐算法基本原理：基于物品之间的关联性，通过对用户的购买记录进行规则挖掘，发现不同用户群体之间共同的购买习惯，从而实现用户群体的兴趣建模和物品推荐。概念：项集而项集是指总项集中所有不同项目分别组合形成的集合，如{牛奶}、{牛奶,面包}、{牛奶,尿不湿,啤酒}等。项目数为k的项集称为k-项集，因此，上述项集分别是1-项集、2-项集、3-项集。

二.推荐算法分类3.关联规则推荐算法关联规则3个统计量

二.推荐算法分类3.关联规则推荐算法关联规则3个统计量关联规则的提取即找出所有支持度大于等于最小支持度，且置信度大于等于最小置信度以及提升度靠前（大于1）的关联规则。像{牛奶}→{面包}这样的关联规则称为强关联规则，因为它们同时具有高支持度和高置信度。

二.推荐算法分类3.关联规则推荐算法Apriori算法简介算法步骤：1.通过迭代计算所有事务中的频繁项集，即支持度不低于用户设定的阈值的项集。2.利用频繁项集构造出满足用户最小置信度的关联规则。

二.推荐算法分类3.关联规则推荐算法Apriori算法应用示例求最小支持度是50%，最小置信度是50%的关联规则

二.推荐算法分类3.关联规则推荐算法Apriori算法应用示例使用Apriori算法求解关联规则的过程：

三.推荐效果评估1.评估方法实验步骤：1.构建测试数据集，并按照比例将数据集分为训练集和测试集。2.在训练集上建立算法模型，对用户及其兴趣建模。3.按照预先定义的评估指标在测试集上进行预测推荐，评估推荐效果。

三.推荐效果评估1.评估方法

三.推荐效果评估1.评估指标①评分预测方法T表示测试集，包含用户u和物品i，rui是用户u对物品i的实际评分，而是推荐系统给出的预测评分，m是测试集的样本总数。

三.推荐效果评估1.评估指标②TopN推荐方法其中U是所有被推荐的用户的集合，是为用户u推荐的N个物品的列表，是用户u在测试集上喜欢的物品集合。

三.推荐效果评估1.评估指标②TopN推荐方法精确率和召回率都用于评估推荐系统效果，最理想的情况是精确率和召回率都比较高。

人工智能基础与应用Thankyouverymuch!