个性化推荐系统

Setup Guide
Lorem ipsum dolor sit amet, consectetur adipiscing.
感谢聆听
案例：AR技术+“算法”让“试衣魔镜”帮你选衣服
往“魔镜”前面一站，身高、胸围、腰围等尺寸就 在镜子上显示出来。接着，试衣镜就呈现出了和使 用者性别、三围相匹配的所有衣服，点中一款衣服， 衣服就“套”在了镜子里的自己身上，使用者可以 面对面看到衣服“穿”在身上的效果。当使用者活 动胳膊、抬腿试试时，镜子里的“自己”也跟着动， “穿”在身上的衣服是否合身一目了然。 “魔镜上面有摄像头，使用了最先进的AR技术， 可以精确了解顾客的身形数值。” AR技术识别的是顾客的骨骼，所以站在魔镜前， 衣服穿得越少，三围尺寸就越准确。不过，即使穿 衣服最多的冬天，衣服和顾客身体的贴合度误差最 多也就在3.1厘米。 在“魔镜”里找到合适的衣服后，通过注册登录等 程序，还可以实现网上自动支付。“不管是对于商 家还是消费者来说，都非常方便，商家连导购员、 试衣间等都不需要配备太多了。
MOMODA POWERPOINT
Morbi dignissim nisl in diam sagittis, id dapibus nulla pretium.
App Project Sample
↘ ↘ ↘ ↘ ↘ Lorem ipsum dolor sit amet, consectetur adipiscing elit. Curabitur elementum posuere pretium. Quisque nibh dolor, dignissim ac dignissim ut, luctus ac urna. Aliquam aliquet non massa quis tincidunt. Quisque nibh dolor, dignissim ac.
每个算法的存在基本都是以产品功能、形态导向(比如新闻、电商、金融产品在 推荐中主体、时效、风险等因素均差异很大，需要使用不同算法)，并且以某个 算法主导，并辅之以其它算法(来解决主算法的不足，或优化主算法)，如冷启动、 商品深度、零结果率等问题。
协同过滤算法的优势和不足
3
发展现状&案例
随着信息时代的深入发展和互联网经济的日益兴起, 信息量的规模以超乎想象的方式迅速增加,而日益增 多的信息慢慢地将人们层层环绕,企图将人们淹没于 信息的汪洋大海中。 不过,顺应时势而生的个性化推荐系统将解救人们于 信息世界的困惑中,使人们能够按照自己的意愿和需 求选择自己想要的信息和其他东西。 个性化推荐算法是个性化推荐系统的灵魂,它是实施 个性化推荐的关键要素和重要保证。
2
主要算法
(1) 基于关联规则的推荐算法
(2)基于内容的推荐算法
(3) 协同过滤推荐算法 基于用户的协同过滤 基于物品的协同过滤
(1)基于关联规则的推荐算法
常用于实体商店或在线电商的推荐系统：通过对顾客的购买记录数据库进行关联规则挖掘， 最终目的是发现顾客群体的购买习惯的内在共性，例如购买产品A的同时也连带购买产品B的 概率，根据挖掘结果，调整货架的布局陈列、设计促销组合方案，实现销量的提升，最经典 的应用案例莫过于<啤酒和尿布>。
个性化 推荐系统
目录
概念
主要算法
发展现状&案例
存在的问题&未来趋势挑战
概念
1
个性化推荐 是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息 和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长， 顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量 无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不 断流失。为了解决这些问题，个性化推荐系统应运而生。 个性化推荐系统 是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电 子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。 购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的 过程，满足客户的个性化需求，推荐基于:网站最热卖商品、客户 所处城市、客户过去的购买行为和购买记录，推测客户将来可能的 购买行为。
(2) 基于内容的推荐算法
内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。 通过相关特征的属性来定义项目或对象,系统基于用户评价对象的特征学习用户的兴趣,依据用 户资料与待预测项目的匹配程度进行推荐，努力向客户推荐与其以前喜欢的产品相似的产品。 · 基于用户基本信息推荐 如：领域、职位、工作年龄、性别、所在地 这个是比较基础的推荐之一，基于用户的基本信息，可以根据他的这些信息给他推荐感兴趣 的或者相关的内容。 · 基于物品/内容基本信息推荐 商品的一些显性属性如：类别、品牌、风格、颜色 这也是一种基础的推荐，基于被推荐物的基本信息，或者Leabharlann Baidu是被推荐物的显性属性。
4
存在的问题
&未来的趋势挑战
存在的问题
1、为了缓解用户-物品矩阵的数据稀疏以及冷启动问题,引入更多附加信息。比如社交信息、 文本评论信息、上下文信息等。 2、为了更细粒度的抽取户、物品的特征,引入深度学习技术。比如利用CNN来处理文本信 息来更好的建模物品属性、利用GE来处理社交网络信息来更好的建模用户偏好等。 3、在实现更精确推荐的同时,可解释性也逐渐成为研究热点。用户不仅需要精确的推荐列 表,更迫切的需要给我特定推荐列表的推荐解释。好的推荐理由可以让用户更加相信推荐算 法的健壮性。比如利用社交网络的朋友信息来实现推荐物品的解释。 4、随着用户对于个性化要求的逐渐提高,探索与利用问题也值得关注。用户希望推荐系统 可以精确的捕捉自己的兴趣爱好,同时也希望推荐算法可以探索出自己不知道的一面,给用 户以惊喜度。 5、随着用户与物品的数量急剧增加,推荐效率也被提上日程。随着移动互联的发展,用户更 多的是使用移动设备,如何在大数据星面前能够实现快速模型训练与推荐,哈希技术没准能 帮上大忙。 6、推荐的隐私与安全问题不容忽视。这是推荐的一个矛盾问题,一方面由于数据稀疏,我们 希望获取用户的数据越多越好;相反,拿到越来越多用户的个人数据后隐私与安全问题就会 显现。因此如何做好缓解数据稀疏与保护用户隐私安全是一个很严峻的研究问题。
(3) 协同过滤推荐算法（需要通过用户行为来计算出用户或者物品间的相关性）
协同过滤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。 协同过滤推荐算法，可进一步细分为基于用户的协同过滤和基于物品的协同过滤。 ·基于用户的协同过滤的基本思想是:根据所有 用户对物品或者信息的偏好，发现与当前用 户口味和偏好相似的"邻居"用户群，在一般 的应用中是采用计算"K- 邻居"的算法;然后， 基于这 K 个邻居的历史偏好信息，为当前用 户进行物品的推荐。 基于物品的协同过滤的基本原理也类似，该方法根据用户和 物品直接历史点击或购买记录，来计算物品和物品之间的相 似度，然后根据用户的历史偏好的物品信息，将挖掘到的类 似的物品推荐给用户 例：以物为本建立各商品之间的相似度关系矩阵，“用户看 了x也会看y”。
显然在这个列表中，小张和小明关注的内容 更为相似，那么就可以给小张推荐比特币。
小张和小明都不约而同地看了产品经理和Google，这可以说 明产品经理和Google有相似，那么之后有看了Google相关 内容的用户就可以给推荐产品经理的相关内容。
基于用户和被推荐物推荐不需要特别多的数据，比较适合应用在冷启动阶段。
Analytics
Lorem ipsum dolor sit amet, consectetur adipiscing.
Support
Lorem ipsum dolor sit amet, consectetur adipiscing.
Locations
Lorem ipsum dolor sit amet, consectetur adipiscing.