个性化推荐算法——协同过滤

发布网友发布时间：2022-04-20 04:53

共5个回答

热心网友时间：2022-04-14 08:09

电子商务推荐系统的一种主要算法。
　　协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。
　　与传统文本过滤相比，协同过滤有下列优点:
　　（1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;
　　（2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤;
　　（3）推荐的新颖性。
　　正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。
　　缺点是:
　　（1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）;
　　（2）随着用户和商品的增多，系统的性能会越来越低;
　　（3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。
　　因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。
　　案例: AMAZON 个性化推荐系统先驱 (基于协同过滤)
　　AMAZON是一个虚拟的网上书店,它没有自己的店面,而是在网上进行在线销售. 它提供了高质量的综合节目数据库和检索系统,用户可以在网上查询有关图书的信息.如果用户需要购买的化,可以把选择的书放在虚拟购书篮中,最后查看购书篮中的商品,选择合适的服务方式并且提交订单,这样读者所选购的书在几天后就可以送到家.
　　AMAZON书店还提供先进的个性化推荐功能,能为不同兴趣偏好的用户自动推荐符合其兴趣需要的书籍. AMAZON使用推荐软件对读者曾经购买过的书以及该读者对其他书的评价进行分析后,将向读者推荐他可能喜欢的新书,只要鼠标点一下,就可以买到该书了;AMAZON能对顾客购买过的东西进行自动分析,然后因人而异的提出合适的建议. 读者的信息将被再次保存.这样顾客下次来时就能更容易的买到想要的书. 此外,完善的售后服务也是AMAZON的优势,读者可以在拿到书籍的30天内,将完好无损的书和音乐光盘退回AMAZON, AMAZON将原价退款. 当然AMAZON的成功还不止于此, 如果一位顾客在AMAZON购买一本书,下次他再次访问时,映入眼帘的首先是这位顾客的名字和欢迎的字样.

热心网友时间：2022-04-14 09:27

随着网络的普及和信息技术的日新月异,信息膨胀与冗余给人们的社会活动和商务活动带来了信息选择的困惑,因此为每个用户提供快捷准确,满足个人实际需要的个性化信息服务成为当前的应用和研究热点。个性化信息服务包括个性化信息搜索服务、个性化信息推荐服务和个性化信息代理服务等。协同过滤算法是其中应用最为广泛的个性化推荐技术。但是,网上信息的数量和种类的急速增长,协同过滤推荐算法面临诸多挑战:推荐质量、可扩展性、数据稀疏性、冷启动问题等等。协同过滤需要建立在拥有大量的用户数据的基础上。虽然在不同的应用中,数据会有很大的不同,但当前提供个性化推荐服务的系统大都保存了用户基本的背景信息。这驱使我们考虑利用已有的用户信息来对传统的协同过滤方法进行改进。因此,本文提出一种改进算法——结合用户背景信息的协同过滤推荐算法。它首先根据项目的属性相似度对用户—项评分矩阵中的零值进行预测和填充,然后再基于用户的背景信息计算用户间的相似度,进行协同过滤。这样不仅提高了用户相似性计算的准确度,而且提高了推荐精度和用户最终预测评分的准确性。本文的实验采用MovieLens数据集,并与传统的协同过滤算法和基于项目评分预测的协同...更多过滤推荐算法的MAE结果相比较,来验证本文所提出的算法。实验结果表明,本文提出方法的可行、正确、有效,能够有效解决数据稀疏问题。

热心网友时间：2022-04-14 11:02

我数学不好，不会编程。

热心网友时间：2022-04-14 12:53

蒙就行了

热心网友时间：2022-04-14 15:01

有三种：协同过滤
用户历史行为
物品相似矩阵