基于知识的推荐-基于约束、效用和实例的算法

目录

基于知识的推荐-基于约束

1、基于内容和协同过滤的缺点

2、基于知识的推荐

2.1基于约束的推荐

2.1.1 约束放宽算法

2.2基于效用的推荐

2.2.1解决的问题：

2.2.2 一个示例：

2.3基于实例的推荐

2.3.2解决问题：

2.3.2 一个示例：

---

注：北大刘宏志老师的《推荐系统》课程学习，图片来源于课程PPT和参考书籍

基于知识的推荐-基于约束

1、基于内容和协同过滤的缺点

无法向无历史行为数据的新用户、低频行为、高风险的项目推荐。

• 适合推荐书籍、电影、新闻等高频、低成本的消费品

• 不适合推荐房产、汽车、金融服务等低频、高成本的项目

2、基于知识的推荐

利用用户的显式需求和项目的领域知识题用户推荐。基于约束的推荐、基于效用的推荐、基于实例的推荐

 图2.1 基于知识的推荐框图

2.1基于约束的推荐

根据用户的显式需求（约束集）推荐合适的项目；相当于解决约束满足问题，常用于金融、房产等

2.1.1 约束放宽算法

解决的问题：

不同的约束的权重不一样，例如用户更注重项目的某些特性；用户不了解项目，无法给出约束集。

 图2.2 项目约束满足矩阵表示，1表示满足，用于直观求松弛集

得到最小松弛集后有两种方法推荐：

• 方案1：通过和用户交互来确定最优最小松弛集；

• 方案2：根据去除约束的数量排序，去除约束越少的项目排在越前面；

2.2基于效用的推荐

2.2.1解决的问题：

在基于约束的推荐中，容易导致约束冲突问题

基本思想：将约束转换成多个不同的效用维度，利用专业知识评估项目对每个效用维度的得分。

 图 2.3 基于效用的推荐算法

2.2.2 一个示例：

 图 2.4 基于效用的推荐算法的示例

2.3基于实例的推荐

2.3.2解决问题：

基于效用的推荐需要人工根据领域知识设定不同效用的评分规则和权重占比，只能做粗粒度的推荐。

 图 2.5基于实例的推荐算法计算

重点在于计算匹配程度sim值。由于项目的不同属性来说，有的是越大越好、有的是越小越好、有的是越接近越好。所以需要分情况计算匹配度：

图2.6 三种计算相似度的情况

2.3.2 一个示例：

图 2.7 基于实例推荐的买电脑示例