【推荐系统实战】——知识思维导图梳理_企业知识推荐系统思维导图-优快云博客

本文深入探讨推荐系统实战，包括利用用户行为数据（显式和隐式反馈）、基于邻域的方法（用户和物品协同过滤）、隐语义模型LFM、基于图的模型以及解决冷启动问题的策略。此外，还介绍了利用用户标签数据、上下文信息（时间、地点）以及社交网络数据进行推荐，以实现更精准的个性化推荐。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

思维导图

在这里插入图片描述

markdown版

利用用户行为数据

用户行为数据简介

显式反馈
- 用户对物品的评级，喜欢于不喜欢
隐式反馈
- 用户浏览、点击、观看等行为

基于邻域的方法

基于用户的协同过滤算法
- 当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法称为基于用户的协同过滤算法。
- (1)计算用户相似度，找到和用户兴趣相似的集合
  - N(u)表示用户u曾经有过正反馈的物品集合，令N(v)为用户v曾经有过正反馈的物品集合。
- (2) 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。
- 子主题 4
基于物品的协同过滤算法
- 给用户推荐那些和他们之前喜欢的物品相似的物品。
- 1、计算物品之间的相似度
  - 分析用户行为
    - 如果同时喜欢物品i和物品j的人很多，则说明i和j相似
- 2、根据物品的相似度和用户历史行为生成推荐列表
  - 判断用户u对物品j的兴趣，主要通过用户u的历史行为物品中与j的相似程度
UserCF和ItemCF的比较
- UserCF需要维护用户相似度矩阵，不适合用户很多的场景。ItemCF需要维护物品相似度矩阵，不适合物品很多的场景。
- UserCF时效性较强，适用于用户个性化兴趣不太明显的领域。ItemCF适用于用户个性化兴趣强烈的领域
- 冷启动：UserCF：新物品上线，只要用户对物品有点击行为，即可推荐。而ItemCF需要更新物品相似度表。对于新用户，ItemCF可以在新用户对某个物品产生行为后，进行推荐。而UserCF需等待用户相似度矩阵的更新。
- UserCF没有可解释性，ItemCF可以根据用户历史行为提供解释

隐语义模型LFM

给物品进行分类，因此可以根据类别信息对用户兴趣进行分类，对用户推荐对应类别的物品。
需要优化如下的损失函数来找到最合适的参数p和q

基于图的模型

用户行为二部图表示
通过一种基于随机游走的PersonalRank算法得到针对当前用户节点，每个物品节点的访问概率，则根据访问概率进行推荐

利用用户标签数据

利用用户给物品打上的标签，为用户个性化推荐。

基于标签的推荐系统

一个简单的算法
- 思想：找到用户最常用的标签，推荐该标签最热门的物品
- 这里，B(u)是用户u打过的标签集合，B(i)是物品i被打过的标签集合， $n_{u,b}$ 是用户u打过标签b的次数， $n_{b,i}$ 是物品i被打过标签b的次数
TF-IDF
- 前面这个公式倾向于给热门标签对应的热门物品很大的权重，因此会造成推荐热门的物品给用户
- 其中， $n^{(i)}_{b}$ 记录了物品i被多少个不同的用户打过标签。
基于图的推荐算法
- 用户-物品-标签图
基于标签可以提供推荐的可解释性

给用户推荐标签

利用上下文信息

根据用户所处的上下文，如时间、地点、心情进行推荐

时间上下文信息

用户兴趣具有时间动态性，物品具有生命周期和时效性，用户兴趣、物品与季节有关
时间上下文相关的ItemCF算法
- 计算物品相似度时，增加时间衰减项。时间越接近的物品越相似。
时间上下文相关的UserCF算法
- 计算用户相似度时，增加时间衰减项，在时间接近的时候喜欢同一组物品的用户越相似
时间段图模型

地点上下文信息

基于位置的推荐算法
- 只有用户位置的数据集
  - 根据用户位置进行分类，形成树状结构。我们可以从根节点出发，在到叶子节点的过程中，利用每个中间节点上的数据训练出一个推荐模型，然后给用户生成推荐列表。而最终的推荐结果是这一系列推荐列表的加权。
- 只有物品位置的数据集
  - 计算物品位置和用户历史访问物品位置平均值的距离
- 用户位置和物品位置都有的数据集