Please enable JavaScript.

Coggle requires JavaScript to display documents.

推薦 (推薦方式 (協同過濾推薦（Collaborative FilteringRecommendation ): (推薦步驟 (一般採用最近鄰技術…

- - - - 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
      - 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
      - 根據這一喜好程度來對目標用戶進行推薦
    - - 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
      - 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
      - 有推薦新信息的能力
    - - 數據稀疏性問題
      - 可擴展性問題
    - - 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
  - - - 信息過濾技術的延續與發展
      - 建立在項目的內容信息上作出推薦
      - 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征描述的事例中得到用戶的興趣資料
      - 項目或對象是通過相關的特征的屬性來定義
      - 用戶資料
        
        系統基於用戶評價對象的特征，學習用戶的興趣，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、神經網絡和基於向量的表示方法
        
        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
    - - 不需要其它用戶的數據，沒有冷開始問題和稀疏問題
      - 能為具有特殊興趣愛好的用戶進行推薦
      - 能推薦新的或不是很流行的項目，沒有新項目問題
      - 通過列出推薦項目的內容特征，可以解釋為什麽推薦那些項目
      - 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
    - - 內容能容易抽取成有意義的特征
      - 特征內容有良好的結構性
      - 用戶的口味必須能夠用內容特征形式來表達
      - 不能顯式地得到其它用戶的判斷情況
  - - - 麽樣為每一個用戶去創建一個效用函數
    - - 範例
        
        提供商的可靠性（Vendor Reliability）
        
        產品的可得性（Product Availability）
      - 說明
        
        它能把非產品的屬性考慮到效用計算中
  - - - 分別用基於內容的方法和協同過濾推薦方法產生推薦預測結果
      - 用某方法組合其結果
    - - 組合方式
        
        加權（Weight）
        
        加權多種推薦技術結果
        
        變換（Switch）
        
        根據問題背景和實際情況或要求決定變換采用不同的推薦技術
        
        混合（Mixed）
        
        同時采用多種推薦技術給出多種推薦結果為用戶提供參考
        
        特征組合（Feature combination）
        
        組合來自不同推薦數據源的特征被另一種推薦算法所采用
        
        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
        
        特征擴充（Feature augmentation）
        
        一種技術產生附加的特征信息嵌入到另一種推薦技術的特征輸入中
        
        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
      - 重要原則
        
        通過組合後要能避免或彌補各自推薦技術的弱點
  - - - 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
      - 可以發現不同商品在銷售過程中的相關性
      - 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
    - - 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
      - 用戶點擊X商品
      - 推薦關聯性較高的Y商品們
  - - - 推理（Inference）技術
      - 不是建立在用戶需要和偏好基礎上推薦的
      - 基於知識的方法因它們所用的功能知識不同而有明顯區別
      - 效用知識（Functional Knowledge）
        
        一種關於一個項目如何滿足某一特定用戶的知識
        
        能解釋需要和推薦的關系
        
        用戶資料可以是任何能支持推理的知識結構
        
        它可以是用戶已經規範化的查詢
        
        可以是一個更詳細的用戶需要的表示
- - - - 體重身高腰圍
      - 性別年齡
      - 地理位置
    - - 是否有車
      - 是否有孕婦
      - 是否有小孩
    - - 信用
      - 購物類型
      - 評價關注程度
      - 促銷敏感度
      - 購物忠誠類型
      - 購買力
    - - 價格區間
      - 顏色偏好
      - 品牌偏好
      - 所屬購買群體
  - - - 銷量
      - 價格
      - 品牌
      - 產地
    - - 購買者的購買能力
      - 城市
      - 年齡
    - - 商品之間
      - 品牌之間
      - 商品與品牌之間