推荐系统中常用算法 以及优点缺点对比.pdfVIP

推荐系统中常用算法 以及优点缺点对比 【Mart in导读】随着互联网特别是社会化网 的快速发展 ，我们正处于信息过载的时代。用 户面对过量的信息很难找到自己真正感兴趣的内容 ，而内容提供商也很难把优质的内容准确 推送给感兴趣的用户。推荐系统被认为是解决这些问题的有效方法 ，它对用户的历史行为进 行挖掘 ，对用户兴趣进行建模 ，并对用户未来的行为进行预测 ，从而建立了用户和内容的 关系。 本文详细介绍了推荐系统中的常用算法及优缺点对比 ，以便我们能在不同的情况下 ，选择合 适的推荐技术和方案。 推荐方法是整个推荐系统中最核心、最关键的部分 ，很大程度上决定了推荐系统性能的优劣。目前 ，主要的推荐方法包括 ：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于 知识推荐和组合推荐。 一、基于内容推荐 基于内容的推荐 （Co nt ent -based Reco mmendat io n ）是信息过滤技术的延续与发展 ，它是建立在 项目的内容信息上作出推荐的 ，而不需要依据用户对项目的评价意见 ，更多地需要用机 器学习的方 法从关于内容的特征描述的事例中得到用户的兴趣资料。在基于内容的推荐系统中 ，项目或对象是 通过相关的特征的属性来定义 ，系统基于用户评价对象 的特征 ，学习用户的兴趣 ，考察用户资料与 待预测项目的相匹配程度。用户的资料模型取决于所用学习方法 ，常用的有决策树、神经网 和基 于向量的表示方法等。 基于内容的用户资料是需要有用户的历史数据 ，用户资料模型可能随着用户 的偏好改变而发生变化。 基于内容推荐方法的优点是 ： 1 ）不需要其它用户的数据 ，没有冷开始问题和稀疏问题。 2 ）能为具有特殊兴趣爱好的用户进行推荐。 3 ）能推荐新的或不是很流行的项目 ，没有新项目问题。 4 ）通过列出推荐项目的内容特征 ，可以解释为什么推荐那些项目。 5 ）已有比较好的技术 ，如关于分类学习方面的技术已相当成熟。 缺点是要求内容能容易抽取成有意义的特征 ，要求特征内容有良好的结构性 ，并且用户的口味必须 能够用内容特征形式来表达 ，不能显式地得到其它用户的判断情况。 二、协同过滤推荐 协同过滤推荐 （Co llabo rat ive Filt ering Reco mmendat io n ）技术是推荐系统中应用最早和最为成功 的技术之一。它一般采用最近邻技术 ，利用用户的历史喜好信息计算用户之间的距离 ，然后 利用目 标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度 ，系统从而 根据这一喜好程度来对目标用户进行推荐。协同过滤最大优 点是对推荐对象没有特殊的要求 ，能处 理非结构化的复杂对象 ，如音乐、电影。 协同过滤是基于这样的假设 ：为一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相 似兴趣的其他用户 ，然后将他们感兴趣的内容推荐给此用户。其基本 思想非常易于理解 ，在日常生 活中 ，我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推 荐系统中来 ，基于其他用户对某一内 容的评价来向目标用户进行推荐。 基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的 ，而且是自动的 ，即用户获得的 推荐是系统从购买模式或浏览行为等隐式获得的 ，不需要用户努力地找到适合自己兴趣的推荐信息 ，如填写一些调查表格等。 和基于内容的过滤方法相比 ，协同过滤具有如下的优点 ： 1 ） 能够过滤难以进行机器自动内容分析的信息 ，如艺术品 ，音乐等。 2 ） 共享其他人的经验 ，避免了内容分析的不完全和不精确 ，并且能够基于一些复杂的 ，难以表述 的概念 （如信息质量、个人品味 ）进行过滤。 3 ） 有推荐新信息的能力。可以发现内容上完全不相似的信息 ，用户对推荐信息的内容事先是预料 不到的。这也是协同过滤和基于内容的过滤一个较大的差别 ，基于内容的过滤推荐很多都是用户本 来就熟悉的内容 ，而协同过滤可以发现用户潜在的但自己尚未发现的兴趣偏好。 4 ） 能够有效的使用其他相似用户的反馈信息 ，较少用户的反馈量 ，加快个性化学习的速度。 虽然协同过滤作为一种典型的推荐技术有其相当的应用 ，但协同过滤仍有许多的问题需要解决。最 典型的问题有稀疏问题 （Sparsit y ）和可扩展问题 （Scalabilit y ）。 三、基于关联规则推荐 基于关联规则的推荐 （A ssociat io n Rule-based Reco mmendat io n ）是以关联规则为基础 ，把已购 商品作为规则头 ，规则体为推荐对象