《Python自然语言处理》第13章-个性化推荐.pptVIP

0 2 个性化推荐的基本问题 推荐系统的输入 推荐系统的输出 个性化推荐的基本形式 推荐系统的三大核心 推荐系统的三大核心 解释 推荐 预测 推荐系统需要解决的核心问题：预测、推荐和解释 “预测”模块的主要问题是预测用户对潜在物品的喜爱程度，即用户对物品的可能评分。 “推荐”模块要解决的主要问题是根据预测环节的计算结果，推荐用户未接触过的物品。 “解释”模块解释推荐列表中的每一项或整个推荐列表，即为什么认为生成的推荐列表对用户是合理的，从而说服用户查看甚至接受我们的推荐。 课程小结 谢谢观看 个性化推荐 Python自然语言处理 第十四章 CONTENT 03 推荐的可解释性 02 个性化推荐 的基本问题 01 推荐系统是什么 04 前景与挑战 章节回顾 推荐系统是什么 个性化推荐的基本问题 推荐系统的输入 推荐系统的输出 个性化推荐的基本形式 推荐系统的三大核心 0 3 推荐的可解释性 推荐的可解释性 推荐理由是推荐系统的重要组成部分 给出合理有说服力的推荐理由，会增加用户对推荐结果的认可度和接受度，增强用户体验。 推荐理由的构造往往需要与系统所使用的推荐算法相匹配，并依赖于所使用的推荐算法。一般来说，常用的基于隐变量的个性化推荐算法由于变量的隐含含义，很难对推荐结果给出直观易懂的解释。 推荐的可解释性 后模型解释方法脱离了推荐列表的实际构建过程，因此系统给出的推荐理由可能与推荐结果脱节，很难准确描述该物品推荐给用户的原因。 基于模型的推荐理由来源于推荐模型本身，与所使用的具体推荐算法密切相关。在某种意义上，采用什么样的推荐算法决定了推荐物品的推荐理由。 推荐的可解释性 模型后解释 灵活多样 可选择性多 推荐理由与实际情况不一定相符 基于模型的解释 具体 细致 有说服力 单一 模型后解释和模型内生的解释各有优点，也各有自己的缺点和局限性。 0 4 前景与挑战 推荐系统面临的问题 推荐系统的新方向 推荐系统面临的问题 推荐系统面临的问题 推荐的冷启动问题 推荐的冷启动问题是指，对于新的用户来说，如何在系统中没有任何可以用来分析其个性化偏好和需求的商品购买或浏览交互记录的情况下无法进行个性化推荐的问题。 降维技术 建立用户画像 使用混合模型 降维技术：指通过PCA、SVD等技术降低稀疏矩阵的维度，求得一个低维数据。 建立用户画像：指通过使用用户资料信息计算用户间的相似度和使用物品相似度，与基于打分的过滤系统相结合，以提供更准确的推荐。 使用混合模型：指通过融合不同方法的优点，减少单一方法存在的问题。 推荐系统面临的问题 推荐的可解释性问题 由于推荐算法复杂性和隐形变量的使用，往往难以给出推荐列表的原因。 如何根据系统使用的推荐算法构建起相应的推荐理由系统，得到细致、准确、有说服力的推荐理由，引导用户查看甚至接受系统给出的推荐，是学术界和实际系统都需要考虑的重要问题。 推荐系统面临的问题 推荐系统的防攻击能力 攻击 知识 高知识攻击 低知识攻击 目的 推送攻击 随机攻击 均值攻击 累积攻击 局部攻击 压制攻击 爱恨攻击 反向动量攻击 由于推荐算法复杂性和隐形变量的使用，往往难以给出推荐列表的原因。 实际系统中给出的“看过该物品的人也看过该物品”往往难以让用户理解推荐列表、相信其准确性，也降低了用户点击和接受推荐商品的意愿。 如何根据系统使用的推荐算法构建起相应的推荐理由系统，得到细致、准确、有说服力的推荐理由，引导用户查看甚至接受系统给出的推荐，是学术界和实际系统都需要考虑的重要问题。 * 由于推荐系统可以影响用户的购买行为并带来经济利益，越来越多的恶意用户试图通过影响推荐系统的行为来控制推荐系统。 一般来说，对推荐系统的攻击是对协同过滤方法的攻击。根据攻击者所需要的知识，攻击大致可分为高知识攻击和低知识攻击；从攻击者的目的出发，又可分为推送攻击和压制攻击。其中，推荐攻击通常包括随机攻击、均值攻击、累积攻击和局部攻击；抑制攻击包括爱恨攻击和反向动量攻击。 * 针对这些攻击通常有两种处理方法，这也是推荐系统脆弱性研究中的两个重要问题。一种是攻击检测，它检测系统中的攻击，然后消除或减少这些攻击对建议的影响。另一个是设计更健壮的算法。到目前为止，关于推荐系统鲁棒性的研究很少，缺乏系统的分析，攻击策略层出不穷。 * 由于推荐系统需要使用用户的历史行为信息，甚至是用户的人口统计属性信息，因此面临着严重的隐私保护问题。一个不能很好地保护用户隐私的系统会使用户缺乏安全感，不愿提供更多的个人信息，从而无法提供有效的推荐。目前，主要有混合方法、模糊处理方法和分布式协同过滤方法。 * * 推荐系统已经成为现代各种网络应用中不可或缺的一部分，推荐系统的应用形式和场景也包含了更多的可能性。 在这一部分中，我们将简单