跳至內容

推薦系統

維基百科，自由的百科全書

推薦系統是一種信息過濾系統，用於預測用戶對物品的「評分」或「偏好」。[1]

推薦系統近年來非常流行，應用於各行各業。推薦的對象包括：電影、音樂、新聞、書籍、學術論文、搜索查詢、分眾分類、以及其他產品。也有一些推薦系統專門為尋找專家[2]、合作者[3]、笑話、餐廳、美食、金融服務[4]、生命保險、網路交友，以及Twitter頁面[5]設計。

綜述

推薦系統產生推薦列表的方式通常有兩種：協同過濾以及基於內容推薦，或者基於個性化推薦。[6] 協同過濾方法根據用戶歷史行為（例如其購買的、選擇的、評價過的物品等）結合其他用戶的相似決策建立模型。這種模型可用於預測用戶對哪些物品可能感興趣（或用戶對物品的感興趣程度）。[7] 基於內容推薦利用一些列有關物品的離散特徵，推薦出具有類似性質的相似物品。[8]兩種方法經常互相結合（參考混合推薦系統）

協同過濾和基於內容推薦的區別可以比較兩個流行的音樂推薦系統 --- Last.fm 和 Pandora Radio.

  • Last.fm 建立通過觀察用戶日常收聽的樂隊或歌手，並與其它用戶的行為進行比對，建立一個「電台」，以此推薦歌曲。Last.fm 會播放不在用戶曲庫中，但其他相似用戶經常會播放的其它音樂。鑑於這種方式利用了用戶行為，因此可以認為它是協同過濾技術的一種應用範例。
  • Pandora 使用歌曲或者藝人的屬性（由音樂流派項目提供的400個屬性的子集）從而生成一個電台，其中的樂曲都有相似的屬性。用戶的反饋用於精化電台中的內容。在用戶「不喜歡」某一歌曲時，弱化某一些屬性；在用戶喜歡某一歌曲時，強化另一些屬性。這是一種基於內容推薦的方式。

每一種系統都有其長處與弱點。在上面的例子中，為了提供精準推薦，Last.fm 需要大量用戶信息。這是一個冷啟動問題，在協同過濾系統中是常見的問題[9][10][11][12]。而 Pandora 啟動時則僅需要很少信息，然而這種方法的局限性很大（例如，這類方法只能得出與原始種子相似的推薦）。

推薦系統是一種有效代替搜索算法的方式，因為他們幫助用戶找到一些他們自己沒有辦法找到的物品。有趣的是，推薦系統在實現之時通常使用搜尋引擎對非傳統數據索引。

Montaner 從智能代理角度給出了有關推薦系統的第一篇綜述文章[13]。Adomavicius給出了一種新的有關推薦系統的全景[14]。Herlock提供了有關評價推薦系統的技術綜述[15]。Beel等討論了離線評價中的問題[16]。Beel等同事也提供了現有有關推薦系統的研究文獻與現存挑戰[17][18][19]。

參考

  1. ^ Facebook, Pandora Lead Rise of Recommendation Engines - TIME. TIME.com. 27 May 2010 [1 June 2015]. （原始內容存檔於2013-08-17）. 
  2. ^ H. Chen, A. G. Ororbia II, C. L. Giles ExpertSeer: a Keyphrase Based Expert Recommender for Digital Libraries （頁面存檔備份，存於網際網路檔案館）, in arXiv preprint 2015
  3. ^ H. Chen, L. Gou, X. Zhang, C. Giles Collabseer: a search engine for collaboration discovery （頁面存檔備份，存於網際網路檔案館）, in ACM/IEEE Joint Conference on Digital Libraries (JCDL) 2011
  4. ^ Alexander Felfernig, Klaus Isak, Kalman Szabo, Peter Zachar, The VITA Financial Services Sales Support Environment （頁面存檔備份，存於網際網路檔案館）, in AAAI/IAAI 2007, pp. 1692-1699, Vancouver, Canada, 2007.
  5. ^ Pankaj Gupta, Ashish Goel, Jimmy Lin, Aneesh Sharma, Dong Wang, and Reza Bosagh Zadeh WTF:The who-to-follow system at Twitter （頁面存檔備份，存於網際網路檔案館）, Proceedings of the 22nd international conference on World Wide Web
  6. ^ Hosein Jafarkarimi; A.T.H. Sim and R. Saadatdoost A Naïve Recommendation Model for Large Databases （頁面存檔備份，存於網際網路檔案館）, International Journal of Information and Education Technology, June 2012
  7. ^ Prem Melville and Vikas Sindhwani, Recommender Systems （頁面存檔備份，存於網際網路檔案館）, Encyclopedia of Machine Learning, 2010.
  8. ^ R. J. Mooney & L. Roy. Content-based book recommendation using learning for text categorization. In Workshop Recom. Sys.: Algo. and Evaluation. 1999. 
  9. ^ Rubens, Neil; Elahi, Mehdi; Sugiyama, Masashi; Kaplan, Dain. Active Learning in Recommender Systems. Ricci, Francesco; Rokach, Lior; Shapira, Bracha (編). Recommender Systems Handbook 2. Springer US. 2016 [2016-12-01]. ISBN 978-1-4899-7637-6. （原始內容存檔於2021-03-08）. 
  10. ^ Elahi, Mehdi; Ricci, Francesco; Rubens, Neil. A survey of active learning in collaborative filtering recommender systems. Computer Science Review, 2016, Elsevier. [2016-12-01]. （原始內容存檔於2021-03-08）. 
  11. ^ Andrew I. Schein, Alexandrin Popescul, Lyle H. Ungar, David M. Pennock. Methods and Metrics for Cold-Start Recommendations. Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2002). New York City, New York: ACM: 253–260. 2002 [2008-02-02]. ISBN 1-58113-561-0. （原始內容存檔於2008-02-07）. 
  12. ^ Bi, Xuan; Qu, Annie; Wang, Junhui; Shen, Xiaotong. A group-specific recommender system.. Journal of the American Statistical Association. 2017, 112 (519): 1344–1353 [2020-10-07]. （原始內容存檔於2021-04-14）. 
  13. ^ Montaner, M.; Lopez, B.; de la Rosa, J. L. A Taxonomy of Recommender Agents on the Internet. Artificial Intelligence Review. June 2003, 19 (4): 285–330. doi:10.1023/A:1022850703159. [永久失效連結].
  14. ^ Adomavicius, G.; Tuzhilin, A. Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. IEEE Transactions on Knowledge and Data Engineering. June 2005, 17 (6): 734–749. doi:10.1109/TKDE.2005.99. .
  15. ^ Herlocker, J. L.; Konstan, J. A.; Terveen, L. G.; Riedl, J. T. Evaluating collaborative filtering recommender systems. ACM Trans. Inf. Syst. January 2004, 22 (1): 5–53. doi:10.1145/963770.963772. .
  16. ^ Beel, J.; Langer, S.; Genzmehr, M.; Gipp, B. A Comparative Analysis of Offline and Online Evaluations and Discussion of Research Paper Recommender System Evaluation (PDF). Proceedings of the Workshop on Reproducibility and Replication in Recommender Systems Evaluation (RepSys) at the ACM Recommender System Conference (RecSys). October 2013 [2016-12-01]. （原始內容 (PDF)存檔於2016-04-17）. 
  17. ^ Beel, J.; Langer, S.; Genzmehr, M.; Gipp, B.; Breitinger, C. Research Paper Recommender System Evaluation: A Quantitative Literature Survey (PDF). Proceedings of the Workshop on Reproducibility and Replication in Recommender Systems Evaluation (RepSys) at the ACM Recommender System Conference (RecSys). October 2013 [2016-12-01]. （原始內容存檔 (PDF)於2021-02-24）. 
  18. ^ Beel, J.; Gipp, B.; Langer, S.; Breitinger, C. Research Paper Recommender Systems: A Literature Survey. International Journal on Digital Libraries. 26 July 2015: 1–34 [2016-12-01]. doi:10.1007/s00799-015-0156-0. （原始內容存檔於2021-03-07）. 
  19. ^ Waila, P.; Singh, V.; Singh, M. A Scientometric Analysis of Research in Recommender Systems (PDF). Journal of Scientometric Research. 26 April 2016: 71–84 [2016-12-01]. doi:10.5530/jscires.5.1.10. （原始內容存檔 (PDF)於2021-03-09）. 

外部連結

取自「https://zh.wikipedia.org/w/index.php?title=推薦系統&oldid=69160509」