【推荐系统实战】——知识思维导图梳理

思维导图

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

推荐系统的冷启动问题

问题

• 用户冷启动

  • 如何给新用户推荐

• 物品冷启动

  • 如何给新物品推荐

• 系统冷启动

  • 如何在一个新系统上推荐

解决方案

• 根据热门排行榜推荐
• 利用用户的人口统计学信息给新用户做推荐
• 利用用户的社交网络信息，给用户推荐好友喜欢的物品
• 用户在登录时对一些物品进行反馈，收集用户对这些物品的兴趣信息
• 对于新加入的物品，可以利用内容信息，将它们推荐给喜欢过和它们相似的物品的用户
• 在系统冷启动时，可以引入专家的知识，通过一定的高效方式迅速建立起物品的相关度表

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， $n_b^{(i)}$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

利用社交网络数据

基于邻域的社交网络推荐

• 用户相似度由用户之间的共同好友决定，同时还衡量用户之间的兴趣相似度，由用户之间共同喜欢的物品数量决定

基于图的社交网络推荐

• 社交网络和用户物品二部图结合

给用户推荐好友

• 基于内容匹配，如用户的人口统计学信息、兴趣、位置信息
• 基于共同兴趣的好友推荐
• 基于社交网络图的好友推荐