多标准推荐中相似性度量的应用与协作过滤偏好提取
在当今数字化时代,随着在线信息的爆炸式增长和互联网应用的日益普及,开发高效有效的推荐系统变得至关重要。这些系统旨在引导用户发现他们可能感兴趣或有用的对象,而不同的推荐技术各有优劣。下面将详细介绍两种相关的推荐方法及其应用。
协作过滤用户群体典型偏好提取方法
- 关联词挖掘与用户分组 :提出了关联词挖掘方法,该方法不仅能反映物品的偏好评级,还能体现物品的相关信息。利用此方法创建协作用户的简档,再基于向量空间模型和Kmeans算法对用户进行分组。
- 熵的应用与典型偏好提取 :为解决系统按组内两个最相似用户的关联程度推荐物品的不足,引入了熵的概念。通过熵提取群体的典型偏好,由于用户偏好不能自动视为准确数据,会选择组内熵超过阈值的用户作为典型用户,然后以权重形式分配典型用户的偏好来提取典型偏好,该方法还减少了在组内检索最相似用户的时间。
多标准推荐框架
在推荐系统的发展中,不同的推荐技术有各自的优缺点。常见的推荐技术可分为协作过滤、基于内容、基于人口统计、基于效用和基于知识这五大基本类别。
| 推荐技术类别 | 优点 | 缺点 |
| — | — | — |
| 协作过滤(CF) | 系统具有适应性,有足够的隐式反馈 | 无法有效处理“启动”问题(如新用户或新物品问题),推荐质量依赖大量历史数据集 |
| 基于知识(KB) | 不产生“启动”问题,对偏好变化敏感,可包含非产品特征,能将用户需求映射到产品 | 建议能力静态(不学习),底层知识需有效设计 | <
超级会员免费看
订阅专栏 解锁全文


被折叠的 条评论
为什么被折叠?



