《推荐系统实践》读书笔记
2024-01-05 10:01:30 0 举报
AI智能生成
登录查看完整内容
《推荐系统实践》读书笔记(下)
作者其他创作
大纲/内容
6.1.1 电子邮件
6.1.2 用户注册信息
6.1.3 用户的位置数据
6.1.4 论坛和讨论组
6.1.5 即时聊天工具
\b社交图谱
\b兴趣图谱
6.1.6 社交网站
6.1 获取社交网络数据的途径
\b双向确认的社交网络数据
\b单向关注的社交网络数据
\b基于社区的社交网络数据
\b社交网络数据类型
\b入度反应用户的社会影响力:影响力大的用户占少数
\b出度代表一个用户关注的用户数:关注很多人的用户占少数
\b社交网络数据中的长尾分布
6.2 社交网络数据简介
\b社交网络可以解决冷启动的问题
好友推荐可以增加推荐的信任度
优点
6.3.1 基于领域的社会化推荐算法
6.3.2 基于图的社会化推荐算法
6.3.3 实际系统中的社会化推荐算法
6.3.4 社会化推荐系统和协同过滤推荐系统
6.3.5 信息流推荐
6.3 基于社交网络的推荐
4. 利用社交网络数据
\b作者、专家打标
\b用户打标
\b标签是一种无层次化结构的、用来描述信息的关键词
4.1 UGC标签系统的代表应用
\b如何利用用户打标签的行为为其推荐物品
\b如何在用户给物品打标签时为其推荐合适该物品的标签
问题
4.2.1 用户为什么进行标注
表明物品是什么
表明物品的种类
表明谁拥有物品
表达用户的观点
\b用户相关的标签
\b用户的任务
4.2.3 用户打什么样的标签
4.2 标签系统中的推荐问题
4.3.1 实验设置
统计每个用户最常用的标签
\b对于每个标签,统计被打过这个标签次数最多的物品
\b对于一个用户,首先找到他常用的标签,然后找到具有这些标签的最热门物品推荐给这个用户。
4.3.2 基础算法
1. TF-IDF
计算标签相似度进行标签扩展
2. 数据稀疏性
\b不是所有标签都能反应用户的兴趣
\b将标签作为推荐解释
why
\b去除词频很高的停止词
\b去除因词根不同造成的同义词
\b去除因分隔符造成的同义词
\bhow
3. 标签清理
4.3.3 算法的改进
4.3.4 基于图的推荐算法
\b让用户认同推荐的标签
\b让用户认同基于某个标签推荐的结果
标签云
\b客观事实类标签比主观感受类标签对用户更有作用
4.3.5 基于标签的推荐解释
4.3 基于标签的推荐系统
\b方便用户输入标签
\b提高标签质量
4.4.1 为什么要给用户推荐标签
1. 推荐给个系统最热门的
2. 推荐此物品上的最热门标签
3. 推荐用户常使用的标签
4. 将2和3融合,进行线性加权
4.4.2 如何给用户推荐标签
\b结论:方法2结果较好,方法4在不同的融合系数下差距大
从物品的内容本身抽取关键词作为标签
标签扩展
\b冷启动问题
4.4.3 实验设置
4.4.4 基于图的标签推荐算法
4.4 给用户推荐标签
4.5 扩展阅读
5. 利用用户标签数据
\b用户的兴趣是变化的
\b物品也是有生命周期的
\b季节效应
5.1.1 时间效应简介
5.1.2 时间效应举例
\b数据集每天独立用户数的增长情况
\b物品平均在线天数
\b相隔T天系统物品流行度向量的平均相似度
\b系统的物品变化情况
\b用户访问情况
系统的时间特性
5.1.3 系统时间特性的分析
5.1.4 推荐系统的实时性
\b生成推荐结果时加入一定的随机性
\b对一直出现的推荐结果降权
使用不同的推荐算法
5.1.5 推荐算法的时间多样性
1. 最近最热门
2. 时间上下文相关的itemCF算法
3. 时间上下文相关的userCF算法
5.1.6 时间上下文推荐算法
5.1.7 时间段图模型
5.1.8 离线实验
5.1 时间上下文信息
\b兴趣本地化
\b活动本地化
5.2 地点上下文信息
6. 利用上下文信息
《推荐系统实践》读书笔记(下)
0 条评论
回复 删除
下一页