所有文章 > 正文

推荐算法综述:协同过滤、基于内容和知识、混合推荐

作者: 王妍

时间: 2019-06-10 14:43

推荐系统是现代社会快速发展的信息平台所不可缺少的技术,它能够使得使用者快速地找到自己所需要的信息,并增加用户的体验和对平台的忠诚度。

推荐系统属于一类个性化信息过滤技术,旨在向特定用户推荐其可能感兴趣的可用物品或产品[25] [26]。这些系统使用三个基本步骤进行推荐:偏好获取(从用户的历史数据中分析获取用户偏好),推荐计算(使用适当方法的计算推荐)和 推荐呈现(向用户呈现推荐内容 [27] 。基于推荐计算中使用的各种技术,现有的推荐系统可以分为图 2.3所示的四个基本类别,即协同过滤(CF),基于内容的过滤 (CBF),基于知识的过滤(KBF)和混合过滤(HF)。还有一些其他新兴的分支,例如,基于深度学习的推荐方法,基于上下文的推荐方法等等。推荐算法的大致分类如图 2.3所示。

2.2.2.1 协同过滤

协同过滤系统以用户评级的形式获得用户反馈,然后利用若干用户个人资料 之间的相似性和差异来生成推荐列表[28]。CF 推荐系统的算法可以分为两大类:基于存储(需要所有评级的算法,物品和用户存储在存储器中)和基于模型(定期离线训练模型)[29] [30]。最常用的是基于模型的算法,因为运行时复杂性降低了。

CF 技术也可以分为非概率和概率算法。概率 CF 算法是基于潜在概率模型的 算法。非概率 CF 算法不基于概率模型。非概率 CF 算法是最常用的[29] [30] [31]。最近邻算法是众所周知的 CF 非概率算法。有两种不同类型的最近邻CF算法,它们是基于用户的最近邻居和基于物品的最近邻居。CF算法使用评级矩阵,R,表示完整的 m × n 用户-物品的评级数据,m n 代表第 m 个用户和第 n 个物品。每个条目 Ru,i 表示用户 u 在一定数值范围内评定的物品的分数。矩阵如下公式 2-1所示。


1. 在基于用户的邻居协同过滤推荐系统中(User-based CF),针对用户 u 对物 品 i 的预测,是基于来自类似用户对该物品的评级。
2. 在基于物品的最近邻居算法中(Item-based CF),是基于用户的最近邻居算 法的转置。基于物品的算法根据物品之间的相似性进行预测 [29]


2.2.2.2 基于内容的推荐

基于内容的推荐算法顾名思义是推荐与用户过去喜欢的物品的内容相似的物品,或者和用户的属性类似的物品。在基于内容的过滤推荐系统中,每个物品由特征向量或属性表示,特征可以包括,物品的关键词描述,价格,大小等特征。特征向量之间的各种距离度量函数可用于计算两个物品的相似性。相似性的计算可以使用欧几里德或余弦相似性算法。


2.2.2.3 基于知识的推荐

基于知识的推荐系统使用知识结构来推断用户需求和偏好 [32] 。基于知识的方法的特点是,它具有功能性知识:它们具有关于特定物品如何满足特定用户需求的知识,因此可以通过推断需求,进行推荐 [33] 。用户配置文件可以是支持此推理的任何知识结构。

2.2.2.4 混合推荐

混合过滤方法是至少两种技术的组合,以克服单独使用单一方法的缺陷,例如基于内容的推荐不能有效利用用户的反馈信息 [34] 。一种方法是将基于内容和协同过滤算法组合在一起,使得它们各自产生单独的排名推荐列表,然后将它们合 并以构成最终推荐 [35] 。混合推荐系统的一些经典的例子是加权和切换混合推荐系统。加权混合推荐算法是根据系统中所有可用推荐算法的结果计算推荐物品的得分的推荐算法。例如,最简单的混合推荐系统将是各推荐算法的线性组合。切换混合推荐系统(SH)使用一些标准在推荐算法之间进行切换。

目前的研究已提出许多方法用于活动推荐。例如,Rendle et al.[36] 提出了一种 基于矩阵分解的结合上下文的推荐方法。Pham et al.[37] 提出了一个基于图结构的 活动推荐模型。Cheng et al.[38] 根据用户偏好开发了一种特定的基于位置推荐方法。 还有许多研究利用了不同的因素来提高推荐的有效性。例如,研究者已经做了一 些努力来明确地模拟空间信息,如论文[39] [40]。其他一些人挖掘用户行为衷地时间 循环模式提供基于空间或/和时间的推荐,如论文 [41] 。然而,所有这些上述方法都将空间信息视为矩阵分解中的偏差,并不能有效地表示空间和时间中蕴含的信息。 并且,们缺乏对统一有效的方式对所有因素的联合效应进行综合分析,并且之前的工作没有明确地模拟用户对空间和时间因素的偏好。

[25] Bogers T, Van den Bosch A. Collaborative and content-based filtering for item recommendation on social bookmarking websites[J]. Submitted to CIKM, 2009, 9.

[26] Gunawardana A, Meek C, et al. A unified approach to building hybrid recommender systems. [J]. RecSys, 2009, 9: 117–124.

[27] Huang C L, Huang W L. Handling sequential pattern decay: Developing a two-stage collabo- rative recommender system[J]. Electronic Commerce Research and Applications, 2009, 8(3): 117–129.

[28] Olugbara O O, Ojo S O, Mphahlele M. Exploiting image content in location-based shopping recommender systems for mobile users[J]. International Journal of Information Technology & Decision Making, 2010, 9(05): 759–778.

[29] Schafer J B, Frankowski D, Herlocker J, et al. Collaborative filtering recommender systems [M]//The adaptive web. [S.l.]: Springer, 2007: 291–324

[30] Chen Z, Jiang Y, Zhao Y. A collaborative filtering recommendation algorithm based on user interest change and trust evaluation[J]. International Journal of Digital Content Technology and its Applications, 2010, 4(9): 106–113.

[31] Su X, Khoshgoftaar T M. A survey of collaborative filtering techniques[J]. Advances in artificial intelligence, 2009, 2009.
[32] Ricci F. Mobile recommender systems[J]. Information Technology & Tourism, 2010, 12(3): 205–231.

[33] De Gemmis M, Iaquinta L, Lops P, et al. Preference learning in recommender systems[J]. Preference Learning, 2009, 41.

[34] Pazzani M J, Billsus D. Content-based recommendation systems[M]//The adaptive web. [S.l.]: Springer, 2007: 325–341

[35] Melville P, Sindhwani V. Recommender systems[J]. Encyclopedia of Machine Learning and Data Mining, 2017: 1056–1066.

[36] Rendle S, Gantner Z, Freudenthaler C, et al. Fast context-aware recommendations with factor- ization machines[C]//SIGIR’11. [S.l.: s.n.], 2011: 635–644.

[37] Pham T A N, Li X, Cong G, et al. A general graph-based model for recommendation in event-based social networks[C]//ICDE’15. [S.l.: s.n.], 2015: 567–578.

[38] Cheng C, Yang H, Lyu M R, et al. Where you like to go next: Successive point-of-interest recommendation[C]//IJCAI’13. [S.l.: s.n.], 2013: 2605–2611.

[39] Qiao Z, Zhang P, Cao Y, et al. Combining heterogenous social and geographical information for event recommendation[C]//Twenty-Eighth AAAI conference on artificial intelligence. [S.l.: s.n.], 2014.

[40] Zhang W, Wang J, Feng W. Combining latent factor model with location features for event-based group recommendation[C]//Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. [S.l.]: ACM, 2013: 910–918.


[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。






二维码 扫码微信阅读
推荐阅读 更多