協同過濾技術及其在推薦系統中的應用研究

⑴ 基於協同過濾的推薦系統的資料庫在什麼環境平台構建

大體試用了一下三個系統，得出了一個比較粗淺的結論： 1、phpcms： phpcms自2007版本開源以後才開始引起廣泛關注，但這次也是頭一次研究。用了幾天，有了一點初步的印象。（以下以2007版為例，2008版尚未正式推出） 粗看起來，phpcms 2007是三者中最為完善的，各項功能考慮的很細致，導致進了新手進了後台先要暈半天才行。各項功能，比如UNIX系統的許可權、模版修改、廣告、商城、信息、單網頁。。。。都做的相當的完備了。 發表文章的關鍵字、作者、來源、自動遠程圖片保存等等，都做的不錯。但是，phpcms發表文章的摘要，似乎是只能自動截取，不能手工設置，靈活性欠佳。 發表的文章可以通過關鍵字來索引相關貼，做的不錯。 支持通行證方式進行論壇和其它系統的整合，可以進行正向和反向兩種方式的整合。但是文檔說的不太清楚，研究了半天才成功。但是反向整合pw5.0.1登錄後自動跳轉不回來。 phpcms 2007的後台安排的太瑣碎，看的頭暈。發一篇文章也要暈半個鍾頭，而且首頁的更新莫不清規律，幻燈片老半天不更新。 phcms盡管功能很強大，但是卻缺少一樣重要的東西：可視化的模版工具，這也是php168和dedecms共同的缺點。在這方面，他們甚至不如剛剛起步的DiyPage好，DiyPage只是一個剛剛具備了雛形的CMS系統，卻擁有一個很方便的後台可視化界面設計工具，即使是菜鳥也可以輕松設計界面（雖然靈活性沒那麼強大，但是足夠你用了）。 phpcms 2007整體以頻道為依據進行組織，即使你不想用頻道，哪也得用，這個已經由不了你了 。所以如果僅僅是一個比較簡單的網站，也用上一個頻道，看起來夠別扭的，這是phpcms 2007最大的缺點，不過看了phpcms 2008beta2發現，phpcms終於解除了這個垃圾限制。 發現phpcms的廣告功能似乎不完善，一個廣告位定義了兩個廣告，不能自動輪換，總是顯示第一個。 phpcms雖然實現了模塊化，但是不管你用不用，一大堆模塊稀里呼嚕就裝上了，看起來很不爽，也不直觀。 phpcms雖然是很早就是商業化運作的軟體，然後開發效率卻是不高，新版本屢屢跳票，影響了它的產品形象，讓開源以來積累的人氣和一些擁躉大失所望。然而最近貼上了六間房以後，資金應該是沒有壓力了，新版本也開始浮出水面，2008beta1已經發布了，可惜問題多多。 phpcms 2008 beta2 在 MySQL4 上還是有使用問題，不過比beta1強一些，beta1直接就安裝不了，不知道正式版是否會正式放棄MySQL4。 phpcms 2008beta2看上去不錯，新功能令人振奮的，界面清爽。以前一團亂麻的後台界面已經打掃干凈了。phpcms 2008的標簽採用了中英文混合的方式，對菜鳥來說更加容易上手，比較新穎。另外，beta2好像是實現了類似php168的可視化模版中的標簽設置方式，雖然不是可視化的設計模版，總歸可以自定義一些元素樣式了。不過這個beta2版也還是頂多算是個預覽版，BUG極多，功能不全。如果准備用phpcms的話，怕是還要大大的等幾天才行。 另外，phpcms官方論壇對免費版的支持很不到位，傷了很多粉絲的心。 2、dedecms 5.1應該是dedecms正式商業化運作以後推出的第一個版本吧？以前的dedecms個體作坊式的發展，由於作者兼職時間和精力不足，導致發展緩慢，新版本頻頻跳票，引起廣大粉絲的強烈不滿，甚至導致柏拉圖和dedecms用家之間的語言沖突。然而dedecms在商業化運作以後，新版本的發布周期大大縮短，產品功能不斷改進，界面美化了很多，人氣和用戶數量大大增長了，現在看發展勢頭不錯。 dedecms的根目錄是最簡單的，只有幾個文件，比以上兩個都強多了，其實這樣不僅看起來清爽，維護起來也方便，值得表揚 dedecms的頻道非常費解，看起來只有頻道模型，要增加頻道就要添加模版文件有點費解，仔細研究發現，這個dedecms其實和php168的方式差不多，任何欄目都可以添加子目錄，綁定域名，其實就和頻道是一個意思，欄目和頻道可以互相轉換。 dedecms的通行證只支持反向整合，就是dedecms可以用服務端的用戶數據登錄。其實所謂整合，一般也就是這樣的。論壇用整站用戶數據的情況恐怕極為少見，對論壇管理也不利。 但是dedecms的通行證整合，需要修改論壇文件，不明白為啥要這樣，是因為論壇的通行證功能還不完善嗎？ dedecms的廣告管理用起來比較麻煩，要先定義標簽，然後手工在模板中插入。好像模版上沒預定義好廣告位置，實在是太不應該了。。。。相當於手動操作，不符合當今歷史潮流啊。而且大家常用的廣告自動輪換功能，也沒有實現。 試用發現，dedecms有時還有一些小毛病，比如遠程附件功能，有時發現無法自動轉存到本地。另外，在模塊數量上，dedecms也無法和php168和phpcms相比，只有文章、下載、圖片、Flash等基本的功能，不知道dedecms 2007發布以後能否有所改觀 dedecms的相關文章、熱點文章等功能，用了靜態生成的方式直接寫入到了HTML文件中，這樣在生成HTML後，無法自動更新，需要經常手工重新生成全部HTML才能更新相關文檔和熱點文檔。但是大量的重復生成所有HTML文件效率太低下了，這方面dedecms不如php168最新添加的相關文章功能，是用JS方式實現的，不需要更新HTML就能自動索取最新的相關文章。但是使用JS方式也存在伺服器效率的問題。 dedecms的首頁、列表頁、還有文章頁都使用了單獨的模板，沒有使用header和footer模板，這樣的好處是可以產生各種風格的頁面（允許首頁、列表頁、內容頁使用不同的風格），但是缺點是修改添加頭部和底部廣告、導航條的時候，相當費勁，要一個一個模板的修改。而且dedecms的版權聲明欄位設置太小，只有250位元組，寫不進去多少內容，頂多能添加個計數器就不錯了。 dedecms起步就用了類似XML標簽方式，而且官方還提供了Dreamweaver的插件來識別標簽，應該說在國內是比較獨到的。但是這種方式也需要新手一定的時間才能適應。同時，dedecms一直缺乏比較完善的文檔，也進一步加大了菜鳥上手的難度。 dedecms最大的問題就是沒有提供類似Diypage的可視化設計方式，因為標簽比較難於上手，對新手來說做模板是很頭疼的問題。 dedecms 5.1比4.0功能有了很多進步，增加DIGG功能，還有類似分類信息之類的功能都實現了。不過也有退步，比如關鍵詞、相關帖功能都嚴重退步了，發帖也很不方便，而且dedecms在商業版本和免費版本之間做功能和代碼區分，也自然會在免費版本上有所縮水。 dedecms商業化發展以後，目前出現的問題是免費版的技術支持做的不太到位，比phpcms強不了多少

⑵ 協同過濾推薦系統的應用領域有哪些

豆瓣，amazon，淘寶，當當等網站都在用，豆瓣的猜你喜歡，音樂推薦，書籍推薦什麼的都是，推薦你看看兩篇文章，探索推薦引擎內部的秘密，第1 部分: 推薦引擎初探 探索推薦引擎內部的秘密，第2 部分: 深入推薦引擎相關演算法- 協同過濾，看完就基本了解了，http://www.ibm.com/search/csass/search/?sn=dw&lang=zh&cc=CN&en=utf&hpp=20&dws=cndw&lo=zh&q=%E6%8E%A2%E7%B4%A2%E6%8E%A8%E8%8D%90%E5%BC%95%E6%93%8E%E5%86%85%E9%83%A8%E7%9A%84%E7%A7%98%E5%AF%86

⑶ 求有關電子商務系統推薦技術的應用研究論文

[摘 要] 隨著電子商務的不斷深入發展，電子商務推薦系統的應用更加廣泛。文章主要介紹了目前應用較廣的幾種電子商務推薦系統中的推薦技術，並對這幾種推薦技術存在的問題進行了分析。
[關鍵詞] 電子商務 推薦系統 推薦技術

一、引言
隨著網路的廣泛普及，電子商務對傳統的商貿活動產生了革命性的變化，產生從以商品為中心到以客戶為中心的商業模式的轉變。新的商業環境在為企業提供新的商機的同時，也對企業提出了新的挑戰。圍繞客戶進行服務，為客戶提供所需要的商品，所以對每個客戶提供個性化的服務已經成為必要。而電子商務推薦系統成為解決問題的重要途徑。本文研究了電子商務推薦系統中的各類推薦技術。
二、電子商務推薦系統
電子商務推薦系統定義為：利用電子商務網站向用戶提供商品信息和建議，幫助客戶決定應該購買什麼產品，模擬銷售人員幫助客戶完成購買過程。它是一個基於客戶網上購物的以商品為推薦對象的個性化推薦系統，為客戶推薦符合其興趣愛好的商品。分析客戶的消費偏向，向每個客戶具有針對性地推薦的產品，幫助客戶從龐大的商品目錄中挑選真正適合自己需要的商品。電子商務推薦系統在幫助了客戶的同時也提高了客戶對商務活動的滿意度,從而換來對電子商務站點的進一步支持。
電子商務推薦系統主要起到了三個方面的作用：首先，極大地增加了客戶，可以把網站的瀏覽者轉變為購買者，提高主動性；其次，可以提高網站相關系列產品的連帶銷售能力；最後，可以提高、維持客戶對網站的滿意度和信任度。
電子商務推薦系統具有良好的發展和應用前景。在日趨激烈的競爭環境下，電子商務推薦系統能有效保留客戶，提高電子商務網站系統能大大提高企業的銷售額。成功的電子商務推薦系統將會產生巨大的經濟效益和社會效應。
三、電子商務推薦技術
目前,電子商務推薦系統中使用的主要推薦技術有基於內容推薦,協同過濾推薦,基於知識推薦,基於效用推薦，基於關聯規則推薦,混合推薦等等。
1.基於內容的推薦。它是信息過濾技術的延續與發展，項目或對象通過相關特徵的屬性來定義，系統基於商品信息, 包括商品的屬性及商品之間的相關性和客戶的喜好來向其推薦。基於商品屬性主要是基於產品的屬性特徵模型推薦。
內容推薦技術分析商品的屬性及其相關性可以離線進行，因而推薦響應時間快。缺點是難以區分商品信息的品質和風格，而且不能為用戶發現新的感興趣的商品，只能發現和用戶已有興趣相似的商品。
2.協同過濾推薦。協同過濾推薦是目前研究最多、應用最廣的電子商務推薦技術。它基於鄰居客戶的資料得到目標客戶的推薦,推薦的個性化程度高。利用客戶的訪問信息,通過客戶群的相似性進行內容推薦,不依賴於內容僅依賴於用戶之間的相互推薦,避免了內容過濾的不足,保證信息推薦的質量。協同過濾推薦優點有:能為用戶發現新的感興趣的商品;不需要考慮商品的特徵,任何形式的商品都可以推薦。缺點是:稀疏性問題,用戶對商品的評價矩陣非常稀疏;可擴展性問題,隨著系統用戶和商品的增多,系統的性能會越來越低;冷啟動問題,如果從來沒有用戶對某一商品加以評價,則這個商品就不可能被推薦。
3.基於知識的推薦。在某種程度上可以看成是一種推理技術，各個方法因所用的知識不同而有明顯區別。基於知識的推薦提出了功能知識的概念。簡單的說，功能知識是關於某個項目如何滿足某個特定客戶的知識，它能解釋需要和推薦之間的關系。在基於知識的推薦看來，客戶資料可以是任何能支持推理的知識結構，並非一定是用戶的需要和偏好。
4.基於效用的推薦。它是根據對客戶使用項目的效用進行計算的，核心問題是如何為每個客戶創建效用函數，並考慮非產品屬性，如提供商的可靠性和產品的可用性等。它的優點是能在效用函數中考慮非產品因素。效用函數通過交互讓用戶指定影響因素及其權重對於大多數用戶而言是極其繁瑣的事情，因而限制了該技術的應用。
5.基於關聯規則的推薦系統往往利用實際交易數據作為數據源，它符合數據源的通用性要求。以關聯規則為基礎，把已購商品作為規則頭,推薦對象作為規則體,其中關聯規則的發現最關鍵且最耗時,但可以離線進行。其特點是實現起來比較簡潔,推薦效果良好,並能動態地把客戶興趣變化反映到推薦結果中。
6.混合推薦技術。混合推薦系統整合兩種或更多推薦技術以取得更好的實際效果。最常見的做法是將協同過濾推薦技術與其它某一種推薦技術相結合。例如,結合基於協同過濾和基於內容推薦這兩種推薦技術,盡量利用它們的優點而避免其缺點,提高推薦系統的性能和推薦質量。比如,為了克服協同過濾的稀疏性問題,可以利用用戶瀏覽過的商品預期用戶對其他商品的評價,這樣可以增加商品評價的密度,利用這些評價再進行協同過濾,從而提高協同過濾的性能。
四、總結
電子商務推薦系統，一方面有助於電子商務網站內容和結構自適應性的實現，另一方面在幫助客戶快速定位感興趣的商品的同時也為企業實現了增值。電子商務推薦系統作為有利的分析工具和促銷手段，已成為電子商務網站的競爭工具，必將獲得廣泛的應用和發展。本文對電子商務推薦系統進行了介紹，並對推薦技術進行了概述。目前國內的電子商務網站在這方面的實踐處在快速發展的階段，因此還需要繼續研究出更智能、更優化的電子商務推薦技術。
參考文獻：
[1]梁 英:電子商務個性化推薦技術研究[J].商場現代化,2007,26
[2]鄧曉輝 漆 強:淺析電子商務推薦系統[J].企業經濟,2007,08

⑷ 矩陣分解在協同過濾推薦演算法中的應用

矩陣分解在協同過濾推薦演算法中的應用
推薦系統是當下越來越熱的一個研究問題，無論在學術界還是在工業界都有很多優秀的人才參與其中。近幾年舉辦的推薦系統比賽更是一次又一次地把推薦系統的研究推向了高潮，比如幾年前的Neflix百萬大獎賽，KDD CUP 2011的音樂推薦比賽，去年的網路電影推薦競賽，還有最近的阿里巴巴大數據競賽。這些比賽對推薦系統的發展都起到了很大的推動作用，使我們有機會接觸到真實的工業界數據。我們利用這些數據可以更好地學習掌握推薦系統，這些數據網上很多，大家可以到網上下載。
推薦系統在工業領域中取得了巨大的成功，尤其是在電子商務中。很多電子商務網站利用推薦系統來提高銷售收入，推薦系統為Amazon網站每年帶來30%的銷售收入。推薦系統在不同網站上應用的方式不同，這個不是本文的重點，如果感興趣可以閱讀《推薦系統實踐》（人民郵電出版社，項亮）第一章內容。下面進入主題。
為了方便介紹，假設推薦系統中有用戶集合有6個用戶，即U={u1,u2,u3,u4,u5,u6}，項目（物品）集合有7個項目，即V={v1,v2,v3,v4,v5,v6,v7}，用戶對項目的評分結合為R，用戶對項目的評分范圍是[0, 5]。R具體表示如下：

推薦系統的目標就是預測出符號「？」對應位置的分值。推薦系統基於這樣一個假設：用戶對項目的打分越高，表明用戶越喜歡。因此，預測出用戶對未評分項目的評分後，根據分值大小排序，把分值高的項目推薦給用戶。怎麼預測這些評分呢，方法大體上可以分為基於內容的推薦、協同過濾推薦和混合推薦三類，協同過濾演算法進一步劃分又可分為基於基於內存的推薦（memory-based）和基於模型的推薦（model-based），本文介紹的矩陣分解演算法屬於基於模型的推薦。
矩陣分解演算法的數學理論基礎是矩陣的行列變換。在《線性代數》中，我們知道矩陣A進行行變換相當於A左乘一個矩陣，矩陣A進行列變換等價於矩陣A右乘一個矩陣，因此矩陣A可以表示為A=PEQ=PQ（E是標准陣）。
矩陣分解目標就是把用戶-項目評分矩陣R分解成用戶因子矩陣和項目因子矩陣乘的形式，即R=UV，這里R是n×m， n =6， m =7，U是n×k，V是k×m。直觀地表示如下：

高維的用戶-項目評分矩陣分解成為兩個低維的用戶因子矩陣和項目因子矩陣，因此矩陣分解和PCA不同，不是為了降維。用戶i對項目j的評分r_ij =innerproct(u_i, v_j)，更一般的情況是r_ij =f(U_i, V_j)，這里為了介紹方便就是用u_i和v_j內積的形式。下面介紹評估低維矩陣乘積擬合評分矩陣的方法。
首先假設，用戶對項目的真實評分和預測評分之間的差服從高斯分布，基於這一假設，可推導出目標函數如下：

最後得到矩陣分解的目標函數如下：

從最終得到得目標函數可以直觀地理解，預測的分值就是盡量逼近真實的已知評分值。有了目標函數之後，下面就開始談優化方法了，通常的優化方法分為兩種：交叉最小二乘法（alternative least squares）和隨機梯度下降法（stochastic gradient descent）。
首先介紹交叉最小二乘法，之所以交叉最小二乘法能夠應用到這個目標函數主要是因為L對U和V都是凸函數。首先分別對用戶因子向量和項目因子向量求偏導，令偏導等於0求駐點，具體解法如下：

上面就是用戶因子向量和項目因子向量的更新公式，迭代更新公式即可找到可接受的局部最優解。迭代終止的條件下面會講到。
接下來講解隨機梯度下降法，這個方法應用的最多。大致思想是讓變數沿著目標函數負梯度的方向移動，直到移動到極小值點。直觀的表示如下：

其實負梯度的負方向，當函數是凸函數時是函數值減小的方向走；當函數是凹函數時是往函數值增大的方向移動。而矩陣分解的目標函數L是凸函數，因此，通過梯度下降法我們能夠得到目標函數L的極小值（理想情況是最小值）。
言歸正傳，通過上面的講解，我們可以獲取梯度下降演算法的因子矩陣更新公式，具體如下：

（3）和（4）中的γ指的是步長，也即是學習速率，它是一個超參數，需要調參確定。對於梯度見（1）和（2）。
下面說下迭代終止的條件。迭代終止的條件有很多種，就目前我了解的主要有
1） 設置一個閾值，當L函數值小於閾值時就停止迭代，不常用
2） 設置一個閾值，當前後兩次函數值變化絕對值小於閾值時，停止迭代
3） 設置固定迭代次數
另外還有一個問題，當用戶-項目評分矩陣R非常稀疏時，就會出現過擬合（overfitting）的問題，過擬合問題的解決方法就是正則化（regularization）。正則化其實就是在目標函數中加上用戶因子向量和項目因子向量的二范數，當然也可以加上一范數。至於加上一范數還是二范數要看具體情況，一范數會使很多因子為0，從而減小模型大小，而二范數則不會它只能使因子接近於0，而不能使其為0，關於這個的介紹可參考論文Regression Shrinkage and Selection via the Lasso。引入正則化項後目標函數變為：

（5）中λ_1和λ_2是指正則項的權重，這兩個值可以取一樣，具體取值也需要根據數據集調參得到。優化方法和前面一樣，只是梯度公式需要更新一下。
矩陣分解演算法目前在推薦系統中應用非常廣泛，對於使用RMSE作為評價指標的系統尤為明顯，因為矩陣分解的目標就是使RMSE取值最小。但矩陣分解有其弱點，就是解釋性差，不能很好為推薦結果做出解釋。
後面會繼續介紹矩陣分解演算法的擴展性問題，就是如何加入隱反饋信息，加入時間信息等。

⑸ 推薦系統的主要推薦方法

基於內容的推薦（Content-based Recommendation）是信息過濾技術的延續與發展，它是建立在項目的內容信息上作出推薦的，而不需要依據用戶對項目的評價意見，更多地需要用機 器學習的方法從關於內容的特徵描述的事例中得到用戶的興趣資料。在基於內容的推薦系統中，項目或對象是通過相關的特徵的屬性來定義，系統基於用戶評價對象 的特徵，學慣用戶的興趣，考察用戶資料與待預測項目的相匹配程度。用戶的資料模型取決於所用學習方法，常用的有決策樹、神經網路和基於向量的表示方法等。 基於內容的用戶資料是需要有用戶的歷史數據，用戶資料模型可能隨著用戶的偏好改變而發生變化。
基於內容推薦方法的優點是：1）不需要其它用戶的數據，沒有冷開始問題和稀疏問題。2）能為具有特殊興趣愛好的用戶進行推薦。3）能推薦新的或不是很流行的項目，沒有新項目問題。4）通過列出推薦項目的內容特徵，可以解釋為什麼推薦那些項目。5）已有比較好的技術，如關於分類學習方面的技術已相當成熟。
缺點是要求內容能容易抽取成有意義的特徵，要求特徵內容有良好的結構性，並且用戶的口味必須能夠用內容特徵形式來表達，不能顯式地得到其它用戶的判斷情況。 協同過濾推薦 （Collaborative Filtering Recommendation）技術是推薦系統中應用最早和最為成功的技術之一。它一般採用最近鄰技術，利用用戶的歷史喜好信息計算用戶之間的距離，然後 利用目標用戶的最近鄰居用戶對商品評價的加權評價值來預測目標用戶對特定商品的喜好程度，系統從而根據這一喜好程度來對目標用戶進行推薦。協同過濾最大優 點是對推薦對象沒有特殊的要求，能處理非結構化的復雜對象，如音樂、電影。
協同過濾是基於這樣的假設：為一用戶找到他真正感興趣的內容的好方法是首先找到與此用戶有相似興趣的其他用戶，然後將他們感興趣的內容推薦給此用 戶。其基本思想非常易於理解，在日常生活中，我們往往會利用好朋友的推薦來進行一些選擇。協同過濾正是把這一思想運用到電子商務推薦系統中來，基於其他用 戶對某一內容的評價來向目標用戶進行推薦。
基於協同過濾的推薦系統可以說是從用戶的角度來進行相應推薦的，而且是自動的即用戶獲得的推薦是系統從購買模式或瀏覽行為等隱式獲得的，不需要用戶努力地找到適合自己興趣的推薦信息，如填寫一些調查表格等。
和基於內容的過濾方法相比，協同過濾具有如下的優點：1） 能夠過濾難以進行機器自動內容分析的信息，如藝術品，音樂等。2） 共享其他人的經驗，避免了內容分析的不完全和不精確，並且能夠基於一些復雜的，難以表述的概念（如信息質量、個人品味）進行過濾。3） 有推薦新信息的能力。可以發現內容上完全不相似的信息，用戶對推薦信息的內容事先是預料不到的。這也是協同過濾和基於內容的過濾一個較大的差別，基於內容的過濾推薦很多都是用戶本來就熟悉的內容，而協同過濾可以發現用戶潛在的但自己尚未發現的興趣偏好。4） 能夠有效的使用其他相似用戶的反饋信息，較少用戶的反饋量，加快個性化學習的速度。
雖然協同過濾作為一種典型的推薦技術有其相當的應用，但協同過濾仍有許多的問題需要解決。最典型的問題有稀疏問題（Sparsity）和可擴展問題（Scalability）。 基於關聯規則的推薦 （Association Rule-based Recommendation）是以關聯規則為基礎，把已購商品作為規則頭，規則體為推薦對象。關聯規則挖掘可以發現不同商品在銷售過程中的相關性，在零 售業中已經得到了成功的應用。管理規則就是在一個交易資料庫中統計購買了商品集X的交易中有多大比例的交易同時購買了商品集Y，其直觀的意義就是用戶在購 買某些商品的時候有多大傾向去購買另外一些商品。比如購買牛奶的同時很多人會同時購買麵包。
演算法的第一步關聯規則的發現最為關鍵且最耗時，是演算法的瓶頸，但可以離線進行。其次，商品名稱的同義性問題也是關聯規則的一個難點。 由於各種推薦方法都有優缺點，所以在實際中，組合推薦（Hybrid Recommendation）經常被採用。研究和應用最多的是內容推薦和協同過濾推薦的組合。最簡單的做法就是分別用基於內容的方法和協同過濾推薦方法 去產生一個推薦預測結果，然後用某方法組合其結果。盡管從理論上有很多種推薦組合方法，但在某一具體問題中並不見得都有效，組合推薦一個最重要原則就是通 過組合後要能避免或彌補各自推薦技術的弱點。
在組合方式上，有研究人員提出了七種組合思路：1）加權（Weight）：加權多種推薦技術結果。2）變換（Switch）：根據問題背景和實際情況或要求決定變換採用不同的推薦技術。3）混合（Mixed）：同時採用多種推薦技術給出多種推薦結果為用戶提供參考。4）特徵組合（Feature combination）：組合來自不同推薦數據源的特徵被另一種推薦演算法所採用。5）層疊（Cascade）：先用一種推薦技術產生一種粗糙的推薦結果，第二種推薦技術在此推薦結果的基礎上進一步作出更精確的推薦。6）特徵擴充（Feature augmentation）：一種技術產生附加的特徵信息嵌入到另一種推薦技術的特徵輸入中。7）元級別（Meta-level）：用一種推薦方法產生的模型作為另一種推薦方法的輸入。

⑹ 個性化推薦演算法——協同過濾

有三種：協同過濾
用戶歷史行為
物品相似矩陣

⑺ 推薦系統中的推薦技術主要分為 , 和 .

基於協同過濾的推薦技術, 基於內容的推薦技術, 其他推薦技術

⑻ 推薦系統的研究主要包括哪些方面

推 薦系統的研究主要包括以下幾個方面：
（1）用戶信息獲取和建模。
早期的推薦系統只需獲取簡單的用戶信息，隨著推薦系統 發展， 推薦系統由簡單的信息獲取轉變為和用戶交互的系統， 需要考慮用戶多興趣和用戶興 趣轉變的情況，將數據挖掘應用到用戶信息獲取中，挖掘用戶的隱性需求。
（2）推薦演算法研究。
要實現被顧客接受和認可的個性化推薦，設計准確、高效率的個 性化推薦演算法是核心。基於內容的推薦和協同過濾是最主要的兩種。為了克服各自的缺點， 可以將各種推薦方法混合使用，以提高推薦精度和覆蓋率。同時，信息獲取和人工智慧，以 及模糊推薦等相關領域的引入擴寬了推薦演算法的思路。
（3）推薦系統的評價問題。
要使推薦系統為廣大用戶所接受，必須對推薦系統作出客 觀綜合的評價。 推薦結果的准確性和可信性是非常重要的兩個方面。 如何對推薦結果的准確 性進行判定， 如何把推薦結果展示給用戶以及如何獲取用戶對推薦結果的評價都是需要深入 研究的問題。
（4） 推薦系統的應用和社會影響研究。
需要建立推薦系統在其他應用領域的應用框架， 研究如何與企業其它信息系統的集成。

⑼ 協同過濾中的可擴展性問題是什麼

協同過濾演算法能夠容易地為幾千名用戶提供較好的推薦，但是對於電子商務網站，往往需要給成百上千萬的用戶提供推薦，這就一方面需要提高響應時間的要求，能夠為用戶實時地進行推薦;另一方面還應考慮到存儲空間的要求，盡量減少推薦系統運行的負擔。

1．3 可擴展性問題

在協同過濾推薦演算法中，全局數值演算法能及時利用最新的信息為用戶產生相對准確的用戶興趣度預測或進行推薦，但是面對日益增多的用戶，數據量的急劇增加，演算法的擴展性問題(即適應系統規模不斷擴大的問題)成為制約推薦系統實施的重要因素。雖然與基於模型的演算法相比，全局數值演算法節約了為建立模型而花費的訓練時間，但是用於識別「最近鄰居」演算法的計算量隨著用戶和項的增加而大大增加，對於上百萬的數目，通常的演算法會遇到嚴重的擴展性瓶頸問題。該問題解決不好，直接影響著基於協同過濾技術的推薦系統實時向用戶提供推薦問題的解決，而推薦系統的實時性越好，精確度越高，該系統才會被用戶所接受。

基於模型的演算法雖然可以在一定程度上解決演算法的可擴展性問題，但是該類演算法往往比較適於用戶的興趣愛好比較穩定的情況，因為它要考慮用戶模型的學習過程以及模型的更新過程，對於最新信息的利用比全局數值演算法要差些。

分析以上協同過濾在推薦系統實現中面臨的兩個問題，它們的共同點是均考慮到了最近鄰居的形成問題(包括用戶信息獲得的充分性、計算耗費等)。但是應該看到協同過濾在推薦系統的實現中，要獲得最近鄰居用戶，必須通過一定的計算獲得用戶之間的相似度，然後確定最佳的鄰居個數，形成鄰居用戶集。而在這一過程中，如果對全部數據集進行相似性計算，雖然直接，但是運算量和時間花費都極大，無法適應真實的商務系統。如果通過對訓練集數據(整個數據集的某一子集)進行實驗獲得，雖然不必對整個數據集進行計算，但是必須通過將多次實驗結果統計出來才可能得到，這無疑也增加了推薦結果獲得的代價和誤差。並且如果考慮到數據集的動態變化，這一形成最近鄰居用戶集技術的實際應用價值越來越小。因此，考慮使用更為有效的最近鄰居用戶形成辦法，對於協同過濾的應用非常必要。

⑽ 協同過濾和基於內容推薦有什麼區別

舉個簡單的小例子，我們已知道
用戶u1喜歡的電影是A，B，C
用戶u2喜歡的電影是A, C, E, F
用戶u3喜歡的電影是B，D
我們需要解決的問題是：決定對u1是不是應該推薦F這部電影
基於內容的做法：要分析F的特徵和u1所喜歡的A、B、C的特徵，需要知道的信息是A（戰爭片），B（戰爭片），C（劇情片），如果F（戰爭片），那麼F很大程度上可以推薦給u1，這是基於內容的做法，你需要對item進行特徵建立和建模。
協同過濾的辦法：那麼你完全可以忽略item的建模，因為這種辦法的決策是依賴user和item之間的關系，也就是這里的用戶和電影之間的關系。我們不再需要知道ABCF哪些是戰爭片，哪些是劇情片，我們只需要知道用戶u1和u2按照item向量表示，他們的相似度比較高，那麼我們可以把u2所喜歡的F這部影片推薦給u1。
根據數據源的不同推薦引擎可以分為三類
1、基於人口的統計學推薦(Demographic-based Recommendation)
2、基於內容的推薦(Content-based Recommendation)
3、基於協同過濾的推薦(Collaborative Filtering-based Recommendation)
基於內容的推薦：
根據物品或內容的元數據，發現物品或內容的相關性，然後基於用戶以前的喜好記錄推薦給用戶相似的物品
基於內容推薦的一個典型的例子，電影推薦系統，首先我們需要對電影的元數據有一個建模，這里只簡單的描述了一下電影的類型；然後通過電影的元數據發現電影間的相似度，因為類型都是「愛情，浪漫」電影 A 和 C 被認為是相似的電影（當然，只根據類型是不夠的，要得到更好的推薦，我們還可以考慮電影的導演，演員等等）；最後實現推薦，對於用戶 A，他喜歡看電影 A，那麼系統就可以給他推薦類似的電影 C。