个性化推荐知识汇总

精品文档---下载后可任意编辑基于协同过滤(collaborative filtering，CF)的推举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爱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举技术”。使用最多的模型是 k最近邻(k-nearest neighbor，kNN)协同过滤技术，包括基于用户推举和基于项目推举两种技术。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沟通。OntoECRec 推举模型二1995 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)。组织了个性化推举系统的专题报道，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进展；2000 年，NEc 讨论院的 D．B．Kurt 等人为搜索引擎 atesecr 增加了个性化推举功能，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。个性化推举服务体系结构中，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，则要在服务器端猎取，抽取出特定用户的访问记录；如要收集用户浏览的页面和浏览行为，则既可以在用户端获得，也可以在服务器端从用户记录中获得。精品文档---下载后可任意编辑三尽 管 协 同 过 滤 技 术 在个 性 化 推 荐 系统 中 获 得 了极 大 的 成 功 ， 但 随 着 站 点 结 构 、 内容 的复 杂 度 和 用 户人 ...