用户兴趣模型分类以及推荐系统技术调研
用户兴趣模型分类
根据用户之前在相关网站的行为数据记录分析出用户的兴趣和偏好,然后根据不同用户兴趣和偏好不同为其推荐不同的内容,这种新的信息获取方式被称为个性化推荐技术。
个性化新闻推荐系统中常用的几种用户兴趣建模方法:
(1) 关键词列表表示法
用户的兴趣模型是由个或者多个用户感兴趣的关键词所构成的关键词序列来表示。例如某用户对篮球十分感兴趣,则用户的兴趣模型可能表示成如下形式{NBA,湖人,科比,三分,战术}。用户兴趣关键词的获取方式主要由用户主动提供和系统隐式自动获取两种。与文本分类中的特征选择问题类似,通过自动学习的方法得出反映用户兴趣的关键词序列在本质上也是通过训练样本集得到一个较小的特征集合。主要区别在于,前者是为了减小分类模型的计算量,提升分类的精度,而后者的目的在于找出样本中反映用户兴趣的关键词序列。
(2) 基于布尔模型的表示方法
布尔模型是最简单的一种模型。它是建立在布尔代数理论的基础上。其中,每个关键词在文档中只有两种可能,包含或不包含。因此关键词的权值只有两个可能值和。其中,表示文档包含该特征词,则表示文档不包含该关键词。布尔模型的构造简单,易于理解,但是它的缺点也很明显。布尔模型只能执行简单的布尔查询操作,没有把文档和用户兴趣的相关度排序的概念,也不能反映出每个关键词对文档的重要程度。
(3) 基于向量空间模型的表示方法
基于向量空间模型的表示方法是指用关键词和关键词的权重的向量来表示用户兴趣模型。向量空间模型(是由等人在世纪年代提出的,它是文档表示中最常见的方法。通常当我们获取了表示用户兴趣的浏览文档内容后,系统可以自动地从这些文档中提取关键词,以及与关键词相关联的权重,用来对文档进行向量化表示。这样每个文档可以表示为{(ti,w1)(t2,w2)…(ti,wi)}其中ti为文档中的第i项,它可以是字、词、短语或词组等。wi为ti项在该文档中的重要程度,及ti项的权重。t1…ti可以是文档中出现的所有项,也可以是一个经过筛选处理后的子集。对于的算法有多种可选,最常用到的有词频法和tf-idf法。
(4) 基于本体的用户模型表示方法
本体(给出构成相关领域词汇的基本术语和关系,以及利用这些术语和关系构成的规定这些词汇外延的规则的定义。由于本体本身的特点,它包含领域常用术语的同时并提供术语与术语之间的网状关系,基于领域的术语对于用户兴趣有着很好的描述能力,同时术语之间的关系为用户兴趣之间提供了联系的桥梁,除此之外还有简单的推理能力。从而使得用户模型从类似与人的思维方式理解用户的兴趣特征,是一个理论上十分理想的用户模型表示方法。但是本体的构建需不仅需要专业的领域知识还需要巨大的人工劳动,构建成本过大,基于本体的用户模型表示法并不常用。
用户兴趣特征的特点:兴趣并不是天生的,它有着从产生到持续再到消亡的一个过程。
目前主流的个性化推荐技术主要分为:基于规则的推荐、基于内容过滤的推荐、基于协同过滤的推荐、基于知识的推荐等.
top排名推荐法不关心客户的兴趣和行为,只关心用户的兴趣或潜在兴趣,根据用户的兴趣分类,对相应分类 TOP 排名的内容进行推荐。这种方法操作简单,无需进行数据分析,实施难度低,适合用于新用户或无法获得用户信息的情况。
个性化喜好推荐法根据用户的喜好信息进行内容推荐,需要事先确定分类的标准,并对用户进行分类,对内容也进行相应的分类,并根据一定的规则将用户和内容进行匹配。这种方法事先确定好分类标准,能对内容预先进行处理,并对单个用户建立个性化的资料,快速实现用户和内容的匹配。
行为关联推荐法对大量数据进行分析挖掘,找出不同行为之间的关联关系,并根据用户已有的行为,与分析出的不同行为之间的关系进行比较,从而确定用户下一步的可能行为。行为关联推荐法需要大量数据支持,对数据分析挖掘的要求较高,在进行内容推荐时,实施难度较大,但这种方法通过对规律的发掘,往往成功率很高。
该推荐算法是计算两个物品的相似度,用户通过喜欢的物品与其他物品的相似度来找到它喜欢物品的最近“邻居”,进而得到自己喜欢的物品。
第二,根据物品间的相似性以及用户之前喜欢过的物品来产生一个推荐列表。
基于用户的协同过滤推荐算法是现今效率较高且应用比较广泛的一种推荐算法,该算法利用用户的兴趣爱好、习惯等信息建立用户与用户之间的相似性,根据用户之间的相似性,最后把相似用户喜欢的物品推荐给用户。
1 创建数据。系统可以根据历史的用户、物品以及用户对物品的偏好创建数据。一个推荐系统都包括用户和物品。为每个用户及他喜欢的物品构建向量模型。
2 产生“邻居”。该算法的核心是为目标用户寻找与他相似的k个用户,作为用户的一组邻居。
1.个人资料集:根据用户历史的行为,学习用户的偏好,并建立用户的偏好特
2.物品特征分析:以每一个物品的特征为数据建立物品的特征数据集,来代表
用户兴趣模型分类以及推荐系统技术调研相关推荐
- 大模型轻量化技术调研
笔记,仅供参考,未完 大模型轻量化技术调研 1. 调研论文 1.1 汇总 1.2 详细介绍 MODEL COMPRESSION VIA DISTILLATION AND QUANTIZATION LO ...
- 分类模型的可视化评分技术
准确度统计数据(例如整体准确度)量化了机器学习模型在没有任何对照参考(例如随机猜测或现有模型)的新数据上的预期性能. 这就是为什么我们还需要可视化模型评估 - 或评分 - 技术来在更广泛的背景下显示模 ...
- 【人工智能】LLM 大模型技术调研
目录 LLM 大模型技术调研 一 LLM技术概览 二 关键技术点 2.1 Instruction Tuning 2.1.1 Instruction tuning Definition[6]
- 关于学术文献推荐系统的调研报告
关于学术文献推荐系统的调研报告 1 引言 1.1 研究背景 随着大数据时代的到来,互联网在给人们的生活带来丰富多彩的同时,海量信息也导致了"信息过载"问题.对于信息使用者来说,如何 ...
- 推荐系统技术演进趋势:召回-排序-重排
来源:DataFunTalk 导读:推荐系统技术,总体而言,与 NLP 和图像领域比,发展速度不算太快.不过最近两年,由于深度学习等一些新技术的引入,总体还是表现出了一些比较明显的技术发展趋势.这篇文 ...
- 推荐系统技术演进趋势:排序篇
作者 | 张俊林 编辑 | 炼丹笔记 <推荐系统技术演进趋势>从召回篇.排序篇.重排篇依次更新,本文为排序篇.错过<推荐系统技术演进趋势:召回篇>的小伙伴可以点击链接跳转阅读. ...
- 内核领域-功耗机型的续航基线优化问题-技术调研报告-王井玉_20211216
内核领域-功耗机型的续航基线优化问题-技术调研报告_20211216 一. 问题 软硬件环境 设备: Loongson Loongson-LS3A5000-7A1000-1w-V0.1-CRB (Lo ...
- 2021-06-05 推荐系统技术演进趋势:召回->排序->重排
推荐系统技术演进趋势:召回->排序->重排 实际的工业推荐系统,如果粗分的化,经常讲的有两个阶段.首先是召回,主要根据用户部分特征,从海量的物品库里,快速找回一小部分用户潜在感兴趣的物品, ...
- @#####haohaohao#####推荐系统技术演进趋势:从召回到排序再到重排
" 张俊林老师最新推荐技术总结,近乎覆盖推荐分发全链路.召回侧介绍了传统多路x2i到模型召回的发展历程以及知识图谱和GNN在其中的应用:排序侧从模型的表达能力.优化目标和特征及信息的利用三个 ...
- 阿里巴巴推荐系统技术综述
导读 今天给大家分享一下推荐系统在近年来的整体技术发展.文中的很多观点和技术都参照于业界的论文以及一些外部的文章. 全文目录如下: 1. 推荐系统技术架构 2. 用户理解 3. 召回技术 4. 排序技 ...
最新文章
- Centos7多内核情况下修改默认启动内核方法
- 关于Spring boot使用心得
- 低质量的勤奋,比懒惰更可怕
- gorm软删除_gorm踩坑:软删除与某个字段的唯一性
- 网站优化之尽量避免重定向(301/302)
- Redis集群:哨兵(Sentinel)
- centos 7 关闭 firewall、iptables
- 莫桑比克wcdma频段_开放医疗记录社区支持莫桑比克的新系统
- 70 行 Go 代码打败 C!
- 研究云计算与大数据分析处理领域建议看的学术论文列表
- iOS 地图移动中心点获取
- c语言俄罗斯方块源代码 解说,C语言课程设计俄罗斯方块源代码解说.doc
- java毕业生简历_一个18年毕业生的Java简历
- IMG镜像写盘工具physdiskwrite,用于MikroTik RouterOS的安装(Windows)
- 网络传输大文件使用什么软件可以高速传输?
- 项目:妍妍的相册1——设计
- 如何搭建DHCP服务器及自动获取IP地址及相关操作
- mysql:innodb存储引擎之表结构
- vue刷新当前页面--provide / inject 用法
- D3.js(v3版本)
热门文章
- word中 两页同时并排显示 与 单页显示 之间的切换
- Excel点击按钮隐藏指定行
- SECS/GSM 测试工具
- 2022 MegCup | 小模型盲降噪怎么比?资深炼丹师给你赛前指导!
- torch.optim.SGD参数详解(除nesterov)
- 物联网的体系结构分为_物联网体系结构分为哪三层
- Linux DMA 内dwc_prep_slave_sg函数与device_prep_dma_cyclic函数
- 交易所交易规则和费用计算
- 基于深度学习的帧内预测技术
- vue element-plus 插件