推荐系统论文笔记(1):Hybrid Recommender Systems:Survey and Experiments
一、基本信息
论文题目: 《Hybrid Recommender Systems:Survey and Experiments》
论文发表时间: 2002,
论文作者及单位:Robin Burke(California State University)
我的评分:5颗星
二、研究背景与综述
推荐系统的功能是向用户推荐他们可能会购买或消费的物品,随着互联网的发展,推荐系统已经成为了电子商务领域内的一项基础性应用。有许多方法已经被应用到了给用户提供推荐的场景中,包括基于内容的、协同式方法、基于知识的等待一系列方法。为了提高性能,有时会将这些方法组合起来成为混合式推荐系统。这篇文章综述了已有的和可能会产生的混合式推荐系统,并且介绍了一个新型的混合式推荐系统的实例:EntreeC,它将基于知识的方法与协同过滤相结合用来推荐餐馆。此外,这篇文章还介绍了如何用从基于知识的方法获得的评分来增强协同过滤的效率。
三、论文的工作
1、简要介绍了五种不同的推荐系统方法,分别是:
- Collaborative:采用用户对商品的评分数据,计算用户之间相似度,在相似的用户之间推荐一方评价高另一方没买过的物品。
- Content-based:抽取商品的特征,推荐和用户已买商品相同或相似特征的商品。
- Demographic:获得用户人口统计学的信息等进行市场细分,按照市场细分中的群体进行推荐。
- Utility-based:基于商品对用户的效用进行推荐。
- Knowledge-based:存储商品的特征,以及这些特征分别满足用户何种需求的知识,而后基于与用户需求的匹配进行推荐。
2、阐述了各个方法的不足与局限,最普遍的问题是冷启动即“New User”和“New Item”,此外协同过滤等方法还存在数据稀疏和维度灾难等问题,而基于内容的推荐会面临消息闭环问题。随后提出了混合式推荐来解决这些问题。
3、混合式推荐系统的几种实现方式:
- Weighted:各个方法施加不同的权重进行混合来推荐一个单独的物品
- Swiching:设置一个开关,不同场合用不同方法
- Mixed:将不同方法得出的结果组合在一起推荐给用户
- Feature combination:特征结合方式,将不同推荐方法产生出的数据作为不同的特征打包在一起,再将这些特征输入另一个方法进行推荐
- Cascade:第一种方法产生一个粗糙的候选物品集合,第二种方法在对这个粗糙的集合进行精炼
- Feature augmentation:特征放大的方式将一个方法输出的特征作为另一个方法的输入
- Meta-level:第一种方法产生的模型作为下一种方法的输入,Feature augmentation方法是将模型生成的特征作为狭义的输入,而这里是将整个模型作为下一个的输入
4、详细介绍了一种新型混合式推荐系统Entree
四、总结
这篇综述是在推荐系统刚产生不久的早期发表的,该文对实现推荐系统的不同方法的原理和优缺点进行了较为深入的研究,并发现不同的推荐方法有着各自不同的优点和缺点,作者指出将不同的方法结合可以达到取长补短的效果,随后分析了7种不同的结合方式,结果如下:
推荐系统论文笔记(1):Hybrid Recommender Systems:Survey and Experiments相关推荐
- 【推荐系统】【论文阅读笔记】【survey】Hybrid Recommender Systems: Survey and Experiments
一.推荐技术简介: 论文链接:https://www.researchgate.net/publication/263377228_Hybrid_Recommender_Systems_Survey_ ...
- Google推荐系统Wide Deep Learning for Recommender Systems论文翻译解读
Wide & Deep Learning for Recommender Systems 推荐系统中的Wide & Deep Learning 摘要 Generalized linea ...
- 【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 16—Recommender Systems 推荐系统...
Lecture 16 Recommender Systems 推荐系统 16.1 问题形式化 Problem Formulation 在机器学习领域,对于一些问题存在一些算法, 能试图自动地替你学习到 ...
- 【论文笔记-NER综述】A Survey on Deep Learning for Named Entity Recognition
本笔记理出来综述中的点,并将大体的论文都列出,方便日后调研使用查找,详细可以看论文. 神经网络的解释: The forward pass com- putes a weighted sum of th ...
- 【论文笔记】Towards Making Systems Forget with Machine Unlearning
Towards Making Systems Forget with Machine Unlearning 本篇论文的重点 算法原理图 创新性 算法步骤 算法举例 评估指标和实验结果 可能存在的问题 ...
- 推荐系统论文笔记---Neural News Recommendation with Attentive Multi-View Learning
文章目录 一.概述 二.主要解决问题 三.解决思路 1.News Encoder 2.User Encoder 3.Click Predictor 4.Model Training 四.实验结果 一. ...
- 『论文笔记』Are VQA Systems RAD? Measuring Robustness to Augmented Data with Focused Interventions
Are VQA Systems RAD? Measuring Robustness to Augmented Data with Focused Interventions 一句话总结 本文提出一个基 ...
- 近年推荐系统论文调查汇总
现在推荐系统得到了广泛的应用,在百度.京东.淘宝.豆瓣等均到看推荐系统的影子.推荐系统属于机器学习的范畴,是一种预测模型,其类型大致可以分为:(1)用户评分预测推荐(2)top-n 推荐(3)分类推荐 ...
- 【文章翻译+笔记】Towards the Next Generation of Recommender Systems:A Survey of the State-of-the-Art and Pos
Towards the Next Generation of Recommender Systems:A Survey of the State-of-the-Art and Possible Ext ...
最新文章
- Java基础学习总结(15)——java读取properties文件总结
- SharePoint【Query Options系列】-- Query Options的一些用法 01. 展开用户列信息
- C中printf函数的实现原理
- 20行以内python代码画出各种减压图
- PMCAFF微课堂|简书大咖彭小六:6年PM是如何利用阅读进行职场提升
- 【第二十七章】 springboot + zipkin(brave-okhttp实现)
- 【自适应盲均衡4】基于RLS的多径衰落信道均衡算法(RLS-CMA)的理论推导与MATLAB仿真
- PowerDesigner怎样才能在修改表的字段Name的时候Code不自动跟着变
- 【计算机网络】—— 停止-等待协议
- JVM优化系列-对象内存分配和回收的细节
- [转载] [python3教程]第七章.输入输出(Input and Output)
- 排序算法专题-基数排序
- 专家观点:Docker 架构优缺点大剖析
- 乌班图运行perl脚本
- nohup与前台后台操作
- 分享一个代码合并工具
- lpad()函数oracle,oracle 中lpad的用法
- python绘制capm模型
- java和c#通过esb服务互调用组件
- 手动开启/关闭macOS HiDPI,让2k显示器完美适配macOS,解决紫屏问题
热门文章
- cmd-ping命令
- 如何查看进程内存情况?
- 【无标题】手机电脑被木马病毒感染,私生活被全面监控
- Linux下打开chm文件
- 浅入浅出keepalived+nginx实现高可用双机热备
- Pbootcms自定义分页样式,适用于多种环境
- 华中农业大学算法实验课答案
- 大学计算机基础实践教程实验一讨论与思考,大学计算机基础实验报告手册(非艺术类).doc...
- 一些网站...........
- Oracle数据库常见问题及解决办法