个性化推荐知识汇总


立即下载 独奏♪
2024-03-23
用户 个性化 推荐 系统 记录 服务 商品 技术 过滤 购物
1.1 MB


基于协同过滤 (collaborative filtering ,CF)的推荐系统通过收集来自其他相似用户或项目的评
价信息,自动预测当前用户的兴趣偏好。 协同过滤的基本假设是用户会更喜欢那些相似用户
偏爱的商品,已被广泛应用在一些大型的商业系统,如亚马逊和阿里巴巴等。
目前,协同过滤算法主要包括基于内存的、基于模型的以及二者相混合的推荐技术”。 使用
最多的模型是 k 最近邻 (k-nearest neighbor,kNN) 协同过滤技术,包括基于用户推荐和基于
项目推荐两种技术。
一般说来, 本体描述了某个应用领域的概念和概念之间的关系, 使得它们具有唯一确定的含
义,获得该领域的相关知识, 提供对该领域知识的共同理解, 便于用户和计算机之间进行交
流。
OntoECRec 推荐模型

1995年,卡内基·梅隆大学的 A.RDben 等人在美国人工智能协会上提出了个
性化导航系统 we-watcher,真正标志着个性化服务的开始; 1997 年 3 月,
(communications of the AcM)。组织了个性化推荐系统的专题报道, 标志着个性化
服务已经被技术界高度重视; 1999年,德国 Dresden技术大学的 J.Tania实现
了个性化电子商务原型系统 TELLIM ,标志着个性化服务开始向全球发展; 2000
年,NEc研究院的 D.B.Kurt 等人为搜索引擎 atesecr增加了个性化推荐功能,
实现 citeseer的个性化。2001年,纽约大学的 GediminaS Adomavicius和 Alexander
Tuzhilin 实现了个性化电子商务网站的用户建模系统 1:1Pro。
个性化推荐服务体系结构中, 信息收集模块是个性化服务系统的基础模块。 用户
的信息包括了用户的个人基本资料、 购买的历史记录及浏览记录等。 个人基本资
料可以从用户注册表单中获得; 购买的历史记录主要存放于电子商务网站的后台
交易数据库中, 包含了每位用户以前历次购物的详细情况记录, 如购物时间、商
品清单、价格、折扣等, 同时也可以收集用户放入购物篮而未购买的商品记录,
以及用户过去浏览过的商品信息等。 当然要搜集用户的行为信息, 日志文件是必
不可少的,如要收集服务器日志, 则要在服务器端


用户/个性化/推荐/系统/记录/服务/商品/技术/过滤/购物/ 用户/个性化/推荐/系统/记录/服务/商品/技术/过滤/购物/
-1 条回复
登录 后才能参与评论
-->