标签归档:推荐系统

RSS feed of 推荐系统

国外典型图书馆推荐系统简介

library-recommender-system

    由于起步较早,目前国外的图书馆信息化程度整体上优于国内,推荐系统也已经开始应用在数字化图书馆领域,为读者提供个性化的图书推荐服务。其中,BibTip,ExLibris bX,Foxtrot,TechLens,Fab和LIBRA是几个比较有代表性的图书馆推荐系统解决方案。

    德国卡尔斯鲁厄大学的BibTip推荐系统从2009年开始作为一项独立的付费服务对用户开放。BibTip是一个基于行为的推荐系统,通过对用户行为的匿名监控与评估提供推荐服务。该系统在服务器上进行推荐的数据分析及管理,图书馆无需过多的技术投入即可使用BibTip的服务。BibTip的体系结构包含3层,自底向上分别为数据层、代理层和用户界面层。BibTip的理论基础是Andrew Ehrenberg提出的重复购买理论,该理论对消费者的行为进行了分析[1]。Ehrenberg证明人们在做出商品支付决定后会重复他们的选择,并且在下一次购物时会倾向于选择同一个品牌。BibTip使用了这一理论。通过用户的初始行为可得出用户的兴趣和喜好。例如,假设某用户对刊物X感兴趣,则该用户很可能对同一作者的刊物Y也感兴趣。BibTip需要大约几个月的时间收集和分析用户的初始行为数据。如果用户的访问频率较高,初始阶段可以缩短一些,但是推荐系统仍然面临着冷启动的问题。由于是基于用户行为的推荐系统,BibTip的适用范围比较广泛 ...

继续阅读

推荐系统中的主要推荐方法

在推荐系统简介中,我们给出了推荐系统的一般框架。很明显,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(Content-based Recommendation)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、神经网络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 ...

继续阅读

基于内容的推荐(Content-based Recommendations)

Collaborative Filtering Recommendations (协同过滤,简称CF) 是目前最流行的推荐方法,在学术界和工业界得到大量使用。但是,工业界真正使用的系统一般都不会只有CF推荐算法,Content-based Recommendations (CB) 基本也会是其中的一部分。

CB应该算是最早被使用的推荐方法吧,它根据用户过去喜欢的产品(本文统称为 item),为用户推荐和他过去喜欢的产品相似的产品。例如,一个推荐饭店的系统可以依据某个用户之前喜欢很多的烤肉店而为他推荐烤肉店。 CB最早主要是应用在信息检索系统当中,所以很多信息检索及信息过滤里的方法都能用于CB中。

CB的过程一般包括以下三步:

1. Item Representation:为每个item抽取出一些特征(也就是item的content了)来表示此item;

2. Profile Learning:利用一个用户过去喜欢(及不喜欢)的item的特征数据,来学习出此用户的喜好特征(profile ...

继续阅读