论文笔记：Analysis of Recommendation Algorithms for ECommerce

一、基本信息

论文题目：《Analysis of Recommendation Algorithms for ECommerce》

发表时间：2000    Proceedings of ACM on E-Commerce 

作者及单位：

论文地址：http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.38.5552

 

二、摘要

推荐系统通过采用统计学等知识来解决电子商务中的推荐问题，近些年来他们的应用取得了很大的成功。在这篇文章中，我们调查了一些现有的用来做大规模推荐任务的技术，并且在两个大型数据集上测试了诸如传统的数据挖掘、最近邻协同过滤和降维算法。为了实验，我们将推荐生成步骤分为三步，分别是对输入数据的表示、近邻信息和推荐产生。我们根据这三个步骤来对不同的推荐算法进行了分类，并对它们的推荐质量进行了评估。

 

三、主要内容与工作

1、协同过滤的两大问题：可伸缩性和提高推荐质量，其中提高推荐质量要着力避免false positive。

2、分析了推荐系统在真实数据集上的效率。

3、比较了不同推荐算法的性能。

4、提出了一个新的途径来进行推荐，并相比于以往算法有提升。

5、关联规则使用的两个指标support和confidence。

support:

confidence:

6、推荐的三个子步骤

7、实验部分

评估矩阵：

由于以上两个指标是矛盾的，因此我们将它们统一为

 

四、总结

随着互联网上数据量的增加，推荐系统必须具备能够实时处理大规模数据的能力。本文评估测试了几种协同过滤的算法，结果表明降维技术能够显著提升推荐效果的同时也有利于处理大规模的数据，将来的研究可以关注为什么低维的表示在一些推荐中效果很好，而在其他任务中效果不好。