个性化推荐系统研究
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
息的负担 ， 从而降低 了信息 的使 用效率 。 推 荐系统 正是在这一 缺 少相关 的用户数据， 难 以被系统 中的规则发现， 从而得不到推
环境中诞生 的， 它是根据用户的信息需求、 兴趣等， 将用户感兴 荐， 并且 随着系 统项 目数量 的不断增 加， 规则 也会呈 出相应 的 趣的信息、 产品等推 荐给用户的个 性化信息推荐系 统。 增 长趋势， 使得规则 的管 理成本相应升高， 降低了系 统的运行效
软件 透 视 ・
个 性化推荐系统研究
顾 丽敏 （ 天津师范大 学， 天 津 ３ ０ ０ ３ ８ ７ ）
摘 要 ： 信 息技 术和 互联 网的迅 猛 发 展把 我们带 进了 信 息过载 的时代 。 海量信 息的同时呈现 ， 一方面增 大了 用户发现 自己感兴趣 信息的难度 ， 另一方面也 使得 大量 信息无 法被一 般 用户获取 。 个 性化 推 荐 系统是 目 前解 决信 息过 载 问题 最有效 的工具 。 本 文简单介 绍 了 推 荐 系统 的概念
Fra Baidu bibliotek问题 不 易处 理 。
２ 推荐 技 术
推荐算法是整个推荐 系统 中核心的部分， 在很大程度 上决
定了推荐系统的质量。目 前主要的推荐技术 基本包括以下几种：
２ ． ３协 同过滤推荐技术
基于协 同过滤推荐技 术是 当前主流 的， 应用最为广泛 的一 种推荐 技术 。 该 推荐技术可 以分为两种， 一种是基 于用户 的协 同过滤推 荐技术 ； 另一种是基 于项 目的协 同过滤推荐 技术 ， 这
率。
１ 推 荐 系统概 念 、 组 成要素
． ２基于内容的推荐技术 目前被 广泛 接受 的推荐 系统 的概 念和定 义是Ｒ ｅ ｓ ｎ ｉ ｃ ｋ 和 ２ 基于内容 的推荐 算法 重要的是建立项 目特征属性库 ， 系统 Ｖ ａ ｒ ｉ ａ ｎ 在１ ９ ９ ７ 年给出的：“ 它是利用 电子商务网站 向客户提供商 来 掌握 目 标用户兴趣 点， 依 品信 息和建议 ， 帮助用户决 定应 该购 买什么产 品， 模 拟销售人 通过用户已关注项 目的特征属性值，
据项 目中找 出所有 的并发关 系， 这种 关系也称为关联 。 关联规 和他之前喜欢的物品相似 的物品。 ． ３ ． １基于用户的协 同过滤推荐技术 则挖 掘的经典应用就是购物 篮数据分析 ， 目的是找 出顾客在商 ２
场（ 或普通 店铺 ） 所选购商品之 间的关联 。
关联 规则可 以这 样表 述。 设Ｉ ＝ （ ｊ ， ｊ ． ． ， ｊ ｝ 为所有 项的集
和 组 成要 素， 重点介 绍 了 几种 重要 的推 荐技 术和 个性化 推 荐 系统 的应 用领 域 。 关键 词 ： 个性 化推 荐； 推 荐技 术 ； 关联 规 则； 协 同过滤
随着信息技术和互联 网的迅速 发展 ， 人们逐渐从信息匮乏 关联规则， 可信关联规则是置信度大 于最小置信度 的规则 。 时代进入了信息过载时代。 这个时代， 对 于信息生产者而 言， 如 基于关联规则 的推荐技术其优 点是 ： 简单直接， 领域 通用性 何让 自己生产 的信息脱 颖而出， 收到广大用户的关注是一件很 强 ， 规 则的挖 掘可 以离线 进 可以保 证推荐 算法 的实时性 要 困难的事情。 对于用户而言， 信息量 的增大加重了找到感兴趣信 求。 其 缺点是 ： 存在着严重 的 冷启动 问题 ， 新加入 的项 目由于
则挖掘算法 ， 在众 多算法中， 最著名的是Ａ ｐ ｒ ｉ ｏ ｒ ｉ算法。
用户 员帮助客户完成购 买过程 ” 。 个性化 推荐系统 主要 由三个要素 据用户兴趣 点与待推 荐项 目属性值 的匹配程度进 行推荐。 兴趣 点的产生依 赖于系统所采用的机器 学习算法 ， 如基于 向量 组 成， 分别是： 候选 对象 、 用户、 推荐 算法。 推荐系统 把用户模
文本挖掘 、 判别树、 神 经网络等 技术。 基于 内容 的推 荐 型中兴趣需求信息和推荐对 象模型中的特 征信息匹配，同时使 的表示、 结果直 观易理解 ， 不 需要过多 的领域 知识 ， 但是 需要有足够 数 用相应 的推荐算法 进行计算筛选 ， 找到用户可能感 兴趣 的推荐 对象 ， 然后推荐给用户。 据构造分类 器， 一些例如 稀疏 问题、 新用户问题 和复杂属性 等
基于关联 规则的推荐技术 ， 基于 内容的推荐技 术， 协同过滤推
荐技术和混合推荐技 术。
２ ． １基于关联规则的推荐技术
两种协同过滤推荐技术 的不同之处在于两者针对的对象不同。
关联 规则是数据中所蕴含的一类重要规律 ， 对关联规则进 基于用户的协同过滤推荐技术是给用户推荐和他有共同兴趣 的 基于项 目的协 同过滤 推荐技术是给用户推荐 行挖掘是数据挖 掘中的一项 根本任务， 关联规则挖掘 就是从数 用户喜欢 的物 品；
基于用户的协 同过滤 技术是 推荐 系统 中最古老 的算法 。
该算法 在１ ９ ９ ２ 年被 提 出， 并 应用 于邮件过 滤系 统 ， １ ９ ９ ４ 年 被
ｒ ｏ ｕ ｐ Ｌ ｅ ｎ ｓ 应用 于新 闻过滤 。 该算法 主要包括两个 步骤： 第一 合， 事 务Ｔ 表示事务集合。 数据库Ｄ 为事务数 据库 。 关联规则形如 Ｇ 找到和 目标用户兴趣相似 的用户集合； 第二 步， 找到这个 集 ｘ —Ｙ 的蕴含式， 其中Ｘ 、 Ｙ 均为项 目集 ， 并且Ｘ 、 Ｙ 没有交集。 关联规 步， 且目 标用户还 没有听说过 的物品， 将该物品推 则的强度 可以用支持度和 置信 度表 示。 支持度 为同时包含ｘ 、 Ｙ 合 中用户喜欢 的， 项集 的事务在数 据库Ｄ 中的百分 比。 置信度为包含ｘ 的事务 同时 荐给 目标用户。 ． ３ ． ２基于项 目的协同过滤推荐技术 也包含Ｙ 在数据库Ｄ 中的百分 比。 目前已有大 量文献提 出关 联规 ２
环境中诞生 的， 它是根据用户的信息需求、 兴趣等， 将用户感兴 荐， 并且 随着系 统项 目数量 的不断增 加， 规则 也会呈 出相应 的 趣的信息、 产品等推 荐给用户的个 性化信息推荐系 统。 增 长趋势， 使得规则 的管 理成本相应升高， 降低了系 统的运行效
软件 透 视 ・
个 性化推荐系统研究
顾 丽敏 （ 天津师范大 学， 天 津 ３ ０ ０ ３ ８ ７ ）
摘 要 ： 信 息技 术和 互联 网的迅 猛 发 展把 我们带 进了 信 息过载 的时代 。 海量信 息的同时呈现 ， 一方面增 大了 用户发现 自己感兴趣 信息的难度 ， 另一方面也 使得 大量 信息无 法被一 般 用户获取 。 个 性化 推 荐 系统是 目 前解 决信 息过 载 问题 最有效 的工具 。 本 文简单介 绍 了 推 荐 系统 的概念
Fra Baidu bibliotek问题 不 易处 理 。
２ 推荐 技 术
推荐算法是整个推荐 系统 中核心的部分， 在很大程度 上决
定了推荐系统的质量。目 前主要的推荐技术 基本包括以下几种：
２ ． ３协 同过滤推荐技术
基于协 同过滤推荐技 术是 当前主流 的， 应用最为广泛 的一 种推荐 技术 。 该 推荐技术可 以分为两种， 一种是基 于用户 的协 同过滤推 荐技术 ； 另一种是基 于项 目的协 同过滤推荐 技术 ， 这
率。
１ 推 荐 系统概 念 、 组 成要素
． ２基于内容的推荐技术 目前被 广泛 接受 的推荐 系统 的概 念和定 义是Ｒ ｅ ｓ ｎ ｉ ｃ ｋ 和 ２ 基于内容 的推荐 算法 重要的是建立项 目特征属性库 ， 系统 Ｖ ａ ｒ ｉ ａ ｎ 在１ ９ ９ ７ 年给出的：“ 它是利用 电子商务网站 向客户提供商 来 掌握 目 标用户兴趣 点， 依 品信 息和建议 ， 帮助用户决 定应 该购 买什么产 品， 模 拟销售人 通过用户已关注项 目的特征属性值，
据项 目中找 出所有 的并发关 系， 这种 关系也称为关联 。 关联规 和他之前喜欢的物品相似 的物品。 ． ３ ． １基于用户的协 同过滤推荐技术 则挖 掘的经典应用就是购物 篮数据分析 ， 目的是找 出顾客在商 ２
场（ 或普通 店铺 ） 所选购商品之 间的关联 。
关联 规则可 以这 样表 述。 设Ｉ ＝ （ ｊ ， ｊ ． ． ， ｊ ｝ 为所有 项的集
和 组 成要 素， 重点介 绍 了 几种 重要 的推 荐技 术和 个性化 推 荐 系统 的应 用领 域 。 关键 词 ： 个性 化推 荐； 推 荐技 术 ； 关联 规 则； 协 同过滤
随着信息技术和互联 网的迅速 发展 ， 人们逐渐从信息匮乏 关联规则， 可信关联规则是置信度大 于最小置信度 的规则 。 时代进入了信息过载时代。 这个时代， 对 于信息生产者而 言， 如 基于关联规则 的推荐技术其优 点是 ： 简单直接， 领域 通用性 何让 自己生产 的信息脱 颖而出， 收到广大用户的关注是一件很 强 ， 规 则的挖 掘可 以离线 进 可以保 证推荐 算法 的实时性 要 困难的事情。 对于用户而言， 信息量 的增大加重了找到感兴趣信 求。 其 缺点是 ： 存在着严重 的 冷启动 问题 ， 新加入 的项 目由于
则挖掘算法 ， 在众 多算法中， 最著名的是Ａ ｐ ｒ ｉ ｏ ｒ ｉ算法。
用户 员帮助客户完成购 买过程 ” 。 个性化 推荐系统 主要 由三个要素 据用户兴趣 点与待推 荐项 目属性值 的匹配程度进 行推荐。 兴趣 点的产生依 赖于系统所采用的机器 学习算法 ， 如基于 向量 组 成， 分别是： 候选 对象 、 用户、 推荐 算法。 推荐系统 把用户模
文本挖掘 、 判别树、 神 经网络等 技术。 基于 内容 的推 荐 型中兴趣需求信息和推荐对 象模型中的特 征信息匹配，同时使 的表示、 结果直 观易理解 ， 不 需要过多 的领域 知识 ， 但是 需要有足够 数 用相应 的推荐算法 进行计算筛选 ， 找到用户可能感 兴趣 的推荐 对象 ， 然后推荐给用户。 据构造分类 器， 一些例如 稀疏 问题、 新用户问题 和复杂属性 等
基于关联 规则的推荐技术 ， 基于 内容的推荐技 术， 协同过滤推
荐技术和混合推荐技 术。
２ ． １基于关联规则的推荐技术
两种协同过滤推荐技术 的不同之处在于两者针对的对象不同。
关联 规则是数据中所蕴含的一类重要规律 ， 对关联规则进 基于用户的协同过滤推荐技术是给用户推荐和他有共同兴趣 的 基于项 目的协 同过滤 推荐技术是给用户推荐 行挖掘是数据挖 掘中的一项 根本任务， 关联规则挖掘 就是从数 用户喜欢 的物 品；
基于用户的协 同过滤 技术是 推荐 系统 中最古老 的算法 。
该算法 在１ ９ ９ ２ 年被 提 出， 并 应用 于邮件过 滤系 统 ， １ ９ ９ ４ 年 被
ｒ ｏ ｕ ｐ Ｌ ｅ ｎ ｓ 应用 于新 闻过滤 。 该算法 主要包括两个 步骤： 第一 合， 事 务Ｔ 表示事务集合。 数据库Ｄ 为事务数 据库 。 关联规则形如 Ｇ 找到和 目标用户兴趣相似 的用户集合； 第二 步， 找到这个 集 ｘ —Ｙ 的蕴含式， 其中Ｘ 、 Ｙ 均为项 目集 ， 并且Ｘ 、 Ｙ 没有交集。 关联规 步， 且目 标用户还 没有听说过 的物品， 将该物品推 则的强度 可以用支持度和 置信 度表 示。 支持度 为同时包含ｘ 、 Ｙ 合 中用户喜欢 的， 项集 的事务在数 据库Ｄ 中的百分 比。 置信度为包含ｘ 的事务 同时 荐给 目标用户。 ． ３ ． ２基于项 目的协同过滤推荐技术 也包含Ｙ 在数据库Ｄ 中的百分 比。 目前已有大 量文献提 出关 联规 ２