TheWisdomoftheFew.pptVIP

The Wisdom of the Few 蔡跳 2012-12-7 Introduction web-based recommender systems: Collaborative filtering(CF) Nearest-neighbor collabrative filtering 相似的用户 如何定义相似：稀疏、噪声、计算量 Expert CF 专家：可信任、有深度、一致 The goal 不在于提高协同过滤的准确性 使用非常小的数据集来做推荐 Mining the web for expert ratings 电影评分 Netflix，在线影片租赁提供商，用户对电影的评分 Rotten Tomatoes，美国著名影评网站，砖家对电影的评分 8000 movies，169 experts Users and Experts--number of ratings and data sparsity 平均每个专家有400多个评分，10%有1000个或更多 Users and Experts--average rating distribution 专家评分不在意他们是否喜欢，普通用户偏向于高分电影 Users and Experts--rating standard deviation 专家相对于每一部电影评分的标准差更低--观点更一致 Expert nearest-neighbors user-item matrix 用户之间的similarity 用户a,b,对项目i的评分rai,rbi 本文计算用户与专家的相似度sim(u,e) ≥ δ 使用δ可能带来缺点：找到很少的NN；找到的NN可能未对item评分 引入置信度τ E= e1...en, if nt, 无预测值，else Result--error in predicted recommendations Mean absolute error(MAE), Mean Average Error Result--Top-N Recommendation Precision 不是直接给出一个推荐列表，用阈值t将结果分成推荐的和不推荐的 对于用户a，找出预测值大于等于t，分两类；计算分类准确率 User Study