基于人口统计学的推荐 优点 1)不使用当前用户对物品的喜好历史数据,所以对于新用户来讲没有“冷启动( Cold Start)"的问题。 2)不依赖于物品本身的数据,在不同物品的领域都可以使用 缺点 过于粗糙,尤其是对品味要求较高的领域,比如图书,电影和音乐等领域,无法得到很好的推荐效果 用户A 喜欢 年龄:25-30 物品A 性别:女 户A 用户B 物品B 相似 年龄:30-35 性别:男 欢 用户B 物品C 用户C 年龄:25-30 性别:女 物品D 用户c
典型的电子推荐方法(1) 电子推荐系统常用推荐算法包括基于内容的推荐、基于协 同过滤推荐等,还有基于统计的推荐、基于知识的推荐等 方法。每种方法都有一定的局限性,通常需要组合多种推 荐方法才能产生比较有效的推荐结果
典型的电子推荐方法（1） 电子推荐系统常用推荐算法包括基于内容的推荐、基于协 同过滤推荐等，还有基于统计的推荐、基于知识的推荐等 方法。每种方法都有一定的局限性，通常需要组合多种推 荐方法才能产生比较有效的推荐结果
典型的电子推荐方法(2) ■基于内容的推荐:需要把握用户的偏好特征,通常可以分析用 户浏览过的内容,从中抽取重要的关键词,并利用文献检索的 方法。然后计算商品的描述特征向量与用户的特征向量的相似 程度,对候选的信息或商品集合进行过滤,产生用户可能感兴 趣的推荐列表。 ■基于协同过滤的推荐:找出与用户偏好相似的用户邻居集合, 把邻居集的偏好商品集作为推荐的候选。此外,也可以寻找用 户以前的偏好信息或商品的相似项目集合推荐 组合推荐:组合推荐是把多种推荐技术组合起来弥补各自的缺 点,从而可以获得更好的推荐效果
基于内容的推荐：需要把握用户的偏好特征，通常可以分析用 户浏览过的内容，从中抽取重要的关键词，并利用文献检索的 方法。然后计算商品的描述特征向量与用户的特征向量的相似 程度，对候选的信息或商品集合进行过滤，产生用户可能感兴 趣的推荐列表。 基于协同过滤的推荐：找出与用户偏好相似的用户邻居集合， 把邻居集的偏好商品集作为推荐的候选。此外，也可以寻找用 户以前的偏好信息或商品的相似项目集合推荐。 组合推荐：组合推荐是把多种推荐技术组合起来弥补各自的缺 点，从而可以获得更好的推荐效果。 典型的电子推荐方法（2）
基于内容的推荐 优点: 1)能很好的建模用户的口味 能提供更加精确的推荐 缺点: 1)推荐的质量依赖于对物品模型的完整和全面程度 2)物品相似度的分析仅仅依赖于物品本身的特征,这里没有考虑人对物品的态度 需要基于用户以往的喜好历史做出推荐,所以对于新用户有“冷启动”的问题。 常用算法 决策树、神经网络、基于向量的TF-IDF方法 早>电影A 电影A 类型:爱情.浪漫 用户A 准荐 电影B 电影B 1类型:恐怖,惊悚 用产B 电影 电影C 1类型:爱情,浪漫 用户C
基于协同过滤的推荐 户物品物品A物品B 优点: 用产A 推荐 够过滤难以进行机器自动内容分析的信息 如艺术品,音乐等 共享其他人的经验,避免了内容分析的不完全 出A 和不精确,并且能够基于一些复杂的,难以表述的 用产A 概念(如信息质量、个人品味)进行过滤 3)有推荐新信息的能力。可以发现内容上完全不 相似的信息,用户对推荐信息的内容事先是预料不 到的。这也是协同过滤和基于内容的过滤一个较大 的差别,基于内容的过滤推荐很多都是用户本来就 熟悉的内容,而协同过滤可以发现用户潜在的但自 尚未发现的兴趣偏好 用户物品物品A物品影物品C 4)能够有效的使用其他相似用户的反馈信息,较 用户A 少用户的反馈量,加快个性化学习的速度。 用户B 缺点: 用户C 指孝 1)用户对商品的评价非常稀疏,这样基于用户的评 价所得到的用户间的相似性可能不准确(稀疏性) 2)随着用户和商品的增多,系统的性能会越来越低 产A\图3.基于内容推荐机制的基本原理 3)如果从来没有用户对某一商品加以评价,则这个 商品就不可能被推荐(即最初评价问题)。 品日 常用算法 item- based CF、user- based CF、 Slope One 品C