推荐系统技术ppt课件
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)。
•这里的推荐是去预测用户对某个他未曾“使用”过的物品(item)的喜好程度。 这里的物品可以是电影、书籍、音乐、新闻;
•推荐系统的核心任务是联系用户和信息。对用户而言,推荐系统能帮助用户 找到喜欢的物品/服务,帮忙进行决策,发现用户可能喜欢的新事物;对商家 而言,推荐系统可以给用户提供个性化的服务,提高用户信任度和粘性,增 加营收。
netnews Recommendation System
•Item-based •Matrix Factorization •Other non-CF algorithms •Hybrid Methods
学习交流PPT
6
背景介绍
推荐问题的发展历史(cont.)
• 目前已广泛集成到很多商业应用系统中
•显性反馈行为
• 用户明确表示对物品喜好的行为
•隐性反馈行为
• 指的是那些不能明确反应用户喜好的行为(eg. 页面浏览)
•协同过滤算法
•协同过滤是指用户可以齐心协力,通过不断地和网站互动,使自己的推荐
列表能够不断过滤掉自己不感兴趣的物品,从而越来越满足自己的需求。
•基于用户的协同过滤算法(UserCF):给用户推荐和他兴趣相似的其他用户喜 欢的物品。
• e.g. 购买了某物品的用户有90%也购买了该物品 • 该物品在某类别中人气最高 • ……
• 重要性
• 解决推荐的合理性问题 • 受到越来越多的重视
学习交流PPT
10
目录
1 背景介绍 2 应用场景与原理 3 算法介绍 4 总结和展望 5 讨论
学习交流PPT
11
事件 Facebook 用户数据泄漏
推荐系统
推荐系统关键技术与发展趋势
学习交流PPT
1
目录
1 背景介绍 2 应用场景与原理 3 算法介绍 4 总结和展望 5 讨论
学习交流PPT
2
目录
1 背景介绍 2 应用场景与原理 3 算法介绍 4 总结和展望 5 讨论
学习交流PPT
3
背景介绍
什么是推荐系统
•互联网的出现和普及给用户带来了大量的信息, 满足了用户在信息时代对信息的需求,但随着网 上信息量的大幅增长,用户在面对大量信息时无 法获得对自己真正有用的部分,对信息的使用效 率反而降低了,这就是所谓的信息超载问题。
学习交流PPT
12
应用场景
1. 电子商务
•亚马逊个性化推荐
图2-1:亚马逊的个性化推荐列表
学习交流PPT
13
应用场景
1. 电子商务
•亚马逊相关推荐
图2-2:图亚2-马3:逊亚的马相逊关的推打荐包列销表售,界购面买过这个商品的
用户经常购买的其他商品
学习交流PPT
14
应用场景
2. 电影和视频网站
•优酷
推荐系统的输入
User + Item + Review
•User & User Profile
• 描述一个user的“个性”
• 两种构建User Profile的方式
• 与Item Profile类似,如性别、年龄、国别、年收入、活跃时间⋯⋯
• 难以与Item建立具体的联系 • 隐私问题 • 很少直接使用
学习交流PPT
5
背景介绍
推荐问题的发展历史
• 推荐问题本身追溯久远
ቤተ መጻሕፍቲ ባይዱ
•1994, Minnesota, GroupLens研究组论文
• 提出“协同过滤”的概念 • 推荐问题的形式化
• 影响深远(An Open Architecture)
GroupLens : user-based collaborative filtering •
• 最简单的Review: 打分(Rating)
• 一般是1~5的星级
• 其它Review
• 显式
• 评论 • 评分 • 标签
学习交流PPT
9
背景介绍
推荐系统的输出
•推荐列表(Recommendation List)
• 按照特定的排序给出对该用户的推荐
• 推荐理由
• 与 IR 系统的不同 • 举例
•基于位置的服务
• Foursquare的探索功能 (LBS,Location-based Service)
•个性化邮件
• Gmail的优先级邮箱功能
•个性化广告
• Facebook广告定向投放,将广告投放给它的潜在客户群
学习交流PPT
18
基本原理
利用用户行为数据
•用户行为在个性化推荐系统中一般分两种
•推荐系统是解决信息超载问题一个非常有潜力的 办法。
•推荐系统现已广泛应用于很多领域,其中最典型 并具有良好的发展和应用前景的领域就是电子商 务领域。同时学术界对推荐系统的研究热度一直 很高,逐步形成了一门独立的学科。
学习交流PPT
4
背景介绍
什么是推荐系统(cont.)
•推荐系统就是根据用户的历史行为、社交关系、兴趣点、所处上下文环境等 信息去判断用户当前需要或感兴趣的物品/服务的一类应用;
图2-4:优酷的电影推荐列表
学习交流PPT
15
应用场景
3. 个性化音乐网络电台
•网易云音乐
图2-5:网易云音乐个性化歌曲推荐的用户界面
学习交流PPT
16
应用场景
4. 社交网络
•Facebook
图2-5:基于Faceb学oo习k好交流友P的PT个性化推荐列表
17
应用场景
5. 其他
•个性化阅读
• Google Reader的社会化阅读
•基于物品的协同过滤算法(ItemCF):给用户推荐和他之前喜欢的物品相似的 物品
学习交流PPT
19
基本原理
利用用户行为数据
•UserCF推荐步骤
1)先找到和他有相似兴趣的其他用户
余弦相似 度公式
物品-用户倒排表
学习交流PPT
20
基本原理
利用用户行为数据
•UserCF推荐步骤
2)UserCF算法会给用户推荐和她兴趣最相近的K个用户喜欢的物品
• 利用Item Profile构建User Profile
• Personalized IR related
•Item & Item Profile
• 电影:类别、导演、主演、国家、⋯⋯ • 新闻:标题、本文、关键词、时间、⋯⋯
学习交流PPT
8
背景介绍
推荐系统的输入(cont.)
•Review(user 对 item 的评价)
• 尤其是网络购物平台中
• Amazon:
• Amazon网络书城的推荐算法每年贡献30个百分点的创收
• Forrester:
• 电子商务网站留意到推荐信息的顾客,约1/3会依据推荐购买商品
• Netflix:2/3 被观看的电影来自推荐
• Google新闻:38%的点击量来自推荐
学习交流PPT
7
背景介绍
•推荐系统的核心任务是联系用户和信息。对用户而言,推荐系统能帮助用户 找到喜欢的物品/服务,帮忙进行决策,发现用户可能喜欢的新事物;对商家 而言,推荐系统可以给用户提供个性化的服务,提高用户信任度和粘性,增 加营收。
netnews Recommendation System
•Item-based •Matrix Factorization •Other non-CF algorithms •Hybrid Methods
学习交流PPT
6
背景介绍
推荐问题的发展历史(cont.)
• 目前已广泛集成到很多商业应用系统中
•显性反馈行为
• 用户明确表示对物品喜好的行为
•隐性反馈行为
• 指的是那些不能明确反应用户喜好的行为(eg. 页面浏览)
•协同过滤算法
•协同过滤是指用户可以齐心协力,通过不断地和网站互动,使自己的推荐
列表能够不断过滤掉自己不感兴趣的物品,从而越来越满足自己的需求。
•基于用户的协同过滤算法(UserCF):给用户推荐和他兴趣相似的其他用户喜 欢的物品。
• e.g. 购买了某物品的用户有90%也购买了该物品 • 该物品在某类别中人气最高 • ……
• 重要性
• 解决推荐的合理性问题 • 受到越来越多的重视
学习交流PPT
10
目录
1 背景介绍 2 应用场景与原理 3 算法介绍 4 总结和展望 5 讨论
学习交流PPT
11
事件 Facebook 用户数据泄漏
推荐系统
推荐系统关键技术与发展趋势
学习交流PPT
1
目录
1 背景介绍 2 应用场景与原理 3 算法介绍 4 总结和展望 5 讨论
学习交流PPT
2
目录
1 背景介绍 2 应用场景与原理 3 算法介绍 4 总结和展望 5 讨论
学习交流PPT
3
背景介绍
什么是推荐系统
•互联网的出现和普及给用户带来了大量的信息, 满足了用户在信息时代对信息的需求,但随着网 上信息量的大幅增长,用户在面对大量信息时无 法获得对自己真正有用的部分,对信息的使用效 率反而降低了,这就是所谓的信息超载问题。
学习交流PPT
12
应用场景
1. 电子商务
•亚马逊个性化推荐
图2-1:亚马逊的个性化推荐列表
学习交流PPT
13
应用场景
1. 电子商务
•亚马逊相关推荐
图2-2:图亚2-马3:逊亚的马相逊关的推打荐包列销表售,界购面买过这个商品的
用户经常购买的其他商品
学习交流PPT
14
应用场景
2. 电影和视频网站
•优酷
推荐系统的输入
User + Item + Review
•User & User Profile
• 描述一个user的“个性”
• 两种构建User Profile的方式
• 与Item Profile类似,如性别、年龄、国别、年收入、活跃时间⋯⋯
• 难以与Item建立具体的联系 • 隐私问题 • 很少直接使用
学习交流PPT
5
背景介绍
推荐问题的发展历史
• 推荐问题本身追溯久远
ቤተ መጻሕፍቲ ባይዱ
•1994, Minnesota, GroupLens研究组论文
• 提出“协同过滤”的概念 • 推荐问题的形式化
• 影响深远(An Open Architecture)
GroupLens : user-based collaborative filtering •
• 最简单的Review: 打分(Rating)
• 一般是1~5的星级
• 其它Review
• 显式
• 评论 • 评分 • 标签
学习交流PPT
9
背景介绍
推荐系统的输出
•推荐列表(Recommendation List)
• 按照特定的排序给出对该用户的推荐
• 推荐理由
• 与 IR 系统的不同 • 举例
•基于位置的服务
• Foursquare的探索功能 (LBS,Location-based Service)
•个性化邮件
• Gmail的优先级邮箱功能
•个性化广告
• Facebook广告定向投放,将广告投放给它的潜在客户群
学习交流PPT
18
基本原理
利用用户行为数据
•用户行为在个性化推荐系统中一般分两种
•推荐系统是解决信息超载问题一个非常有潜力的 办法。
•推荐系统现已广泛应用于很多领域,其中最典型 并具有良好的发展和应用前景的领域就是电子商 务领域。同时学术界对推荐系统的研究热度一直 很高,逐步形成了一门独立的学科。
学习交流PPT
4
背景介绍
什么是推荐系统(cont.)
•推荐系统就是根据用户的历史行为、社交关系、兴趣点、所处上下文环境等 信息去判断用户当前需要或感兴趣的物品/服务的一类应用;
图2-4:优酷的电影推荐列表
学习交流PPT
15
应用场景
3. 个性化音乐网络电台
•网易云音乐
图2-5:网易云音乐个性化歌曲推荐的用户界面
学习交流PPT
16
应用场景
4. 社交网络
图2-5:基于Faceb学oo习k好交流友P的PT个性化推荐列表
17
应用场景
5. 其他
•个性化阅读
• Google Reader的社会化阅读
•基于物品的协同过滤算法(ItemCF):给用户推荐和他之前喜欢的物品相似的 物品
学习交流PPT
19
基本原理
利用用户行为数据
•UserCF推荐步骤
1)先找到和他有相似兴趣的其他用户
余弦相似 度公式
物品-用户倒排表
学习交流PPT
20
基本原理
利用用户行为数据
•UserCF推荐步骤
2)UserCF算法会给用户推荐和她兴趣最相近的K个用户喜欢的物品
• 利用Item Profile构建User Profile
• Personalized IR related
•Item & Item Profile
• 电影:类别、导演、主演、国家、⋯⋯ • 新闻:标题、本文、关键词、时间、⋯⋯
学习交流PPT
8
背景介绍
推荐系统的输入(cont.)
•Review(user 对 item 的评价)
• 尤其是网络购物平台中
• Amazon:
• Amazon网络书城的推荐算法每年贡献30个百分点的创收
• Forrester:
• 电子商务网站留意到推荐信息的顾客,约1/3会依据推荐购买商品
• Netflix:2/3 被观看的电影来自推荐
• Google新闻:38%的点击量来自推荐
学习交流PPT
7
背景介绍