大话推荐系统
Michelle_
8年前
<p>摘要: 在大数据的时代,信息泛滥,如何在大量的信息中提出用户想要的,推荐系统便显得极其重要了。在电商,电影,广告方面,推荐系统得到越来越广泛的应用。</p> <h2><strong>一 什么是推荐系统</strong></h2> <p>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。</p> <h2><strong>二 个性化推荐系统的应用</strong></h2> <ol> <li> <p>电子商务: 淘宝</p> </li> <li> <p>电影和视频网站: 优酷</p> </li> <li> <p>个性化音乐网络电台:豆瓣fm</p> </li> <li> <p>社交网络:微博</p> </li> <li> <p>个性化阅读:今日头条</p> </li> <li> <p>个性化广告:微信朋友圈广告</p> </li> </ol> <h2><strong>三 推荐系统的分类</strong></h2> <p>要了解推荐系统是如何工作的,可以先回顾一下现实社会中用户面对很多选择时做决定的过程。仍然以看电影为例,一般来说,我们可能用如下方式决定最终看什么电影。</p> <ol> <li> <p>社会化推荐(social recommendation):让好友给自己推荐有什么电影好看</p> </li> <li> <p>基于内容的推荐 (content-based filtering):我们一般都有喜欢的演员和导演,比如我非常喜欢周星驰的电影,于是就去豆瓣搜索周星驰,发现他早年的一部电影我还没看过,于是就会看一看。这种方式是寻找和自己之前看过的电影在内容上相似的电影。</p> </li> <li> <p>基于协同过滤(collaborative filtering)的推荐: 我们还可能查看排行榜,比如著名的IMDB电影排行榜,看看别人都在看什么电影,别人都喜欢什么电影,然后找一部广受好评的电影观看。这种方式可以进一步扩展:如果能找到和自己历史兴趣相似的一群用户,看看他们最近在看什么电影,那么结果可能比宽泛的热门排行榜更能符合自己的兴趣</p> </li> </ol> <h2><strong>四 基于协同过滤的推荐</strong></h2> <p>分为两类</p> <ol> <li> <p>基于用户的协同过滤算法:给用户推荐和他兴趣相似的其他用户喜欢的物品</p> </li> </ol> <ol> <li> <p><img src="https://simg.open-open.com/show/46655b620c50b7d7d2e9f6a70900dd8e.jpg"></p> <p><img src="https://simg.open-open.com/show/42d103b6422014eb9fceec54331ddecb.jpg"></p> </li> </ol> <p>2. 基于物品的协同过滤:给用户推荐和他之前喜欢的物品相似的物品</p> <p><img src="https://simg.open-open.com/show/16ba27b11f06c6d356cd0031d76a1196.jpg"></p> <p><img src="https://simg.open-open.com/show/73aca8274d8744f8da963011f2914ce6.jpg"></p> <p><img src="https://simg.open-open.com/show/ac70628440e6e753b5089d83c7bd526b.jpg"></p> <p><img src="https://simg.open-open.com/show/5f43dd4e446fe44d31a52fbf600cb9e2.jpg"></p> <h2><strong>五 推荐系统的评测</strong></h2> <p>简单来说,就是把数据分为样本内和样本外,在样本内的数据中做推荐系统,得出推荐列表,看推荐列表能在样本外命中率。</p> <p> </p> <p>来自:http://mp.weixin.qq.com/s?__biz=MzIxNjIwMTg0NA==&mid=2650279666&idx=1&sn=93673f2ab7398fa74f1552c6f5b96d01&chksm=8f8001e9b8f788ff9993f77ea0efc1bc7e1950530945e723d228e4ae9adabc60695e91e8344e&scene=0</p> <p> </p>