推荐系统学习笔记（四）

第4章基于近邻推荐方法综述

        

4.1 用户反馈类型：

分级反馈(评分)

  二元反馈（喜欢/不喜欢）

  一元反馈（购买、浏览）

4.1.1评测推荐系统效果

对于评分集合，常用测试预测准确性的标准分别为

平均绝对误差（MAE）、均方根误差（RMAE）

对于二元反馈，常用准确率（precision）和召回率（recall）

 

 4.1.2推荐方法概要

基于内容方法（Rocchio算法）

        问题：受限内容分析（limitedcontent analysis）、特化（over-specialization）

 

协同过滤方法：除了用户评分的物品，还有其他用户评分的物品。分为基于近邻方法和基于模型方法。

 

可以克制基于内容方法的一些局限：物品内容缺乏时，使用其他用户的反馈推荐给用户，可以推荐内容差异很大的物品。

 

基于近邻系统直接使用已有数据，基于模型系统使用评分来学习预测模型。

基于模型方法包括：

贝叶斯聚类（BayesianClustering）

潜在语义分析(latent semantic analysis)

潜在狄利克雷分布(latentDirichlet Allocation)

最大熵（maximum Entropy）

波尔兹曼机（Boltzmann Machines）

支持向量机（Support vector machines）

奇异值分解（SingularValue Decomposition）

 

基于近邻方法的一些优势：简单性、合理性、高效性、稳定性

 

4.2基于近邻推荐

基于用户评分

基于用户分类

回归与分类

基于物品推荐

        

4.2.5 基于用户和基于物品推荐的对比

         准确性

         效率

         稳定性

         合理性

         惊喜度

 

4.3 近邻方法的要素

          评分标准化方法：

         均值中心化：通过与平均分的比较决定一个评分为正或者为负

         Z-score标准化：考虑个人评分范围不同带来的偏差

 

4.3.3 近邻的选择

         过滤预选近邻数：Top-N过滤、阈值过滤、负值过滤

 

4.4 高级进阶技术

         基于近邻的方法的缺陷：覆盖受限、对稀疏数据的敏感

         解决方法：

降维方法：对评分矩阵进行分解和对相似性矩阵进行分解

         基于图方法：基于路径的相似度和随机游走相似度

本文为学习笔记，参考资料为：

《推荐系统  技术、评估及高效算法  Recommender System handbook》 Francesco Ricci Lior Rokach  机械工业出版社

欢迎交流与分享