推荐系统(1)
1 基于内容的推荐Content-based
主要思想:向顾客 (x) 推荐与之前被 (x) 高度评价的商品相似的商品
步骤
-
Item Presentation
为每个item抽取出一些特征来表示此item(item profile)
文本挖掘常用启发式方法: (TF-IDF)
-
Profile Learning(典型的监督分类问题)
利用一个用户过去喜欢 / 不喜欢的item的特征数据,来学习出此用户的喜好特征(user profile)
-
Recommendation Generation
通过比较user profile和item profile,为此用户推荐一组相关性最大的item
(TF-IDF) (Term Frequency * Inverse Doc Frequency)词频-逆文档频率
主要思想:一个词语在一篇文章中出现次数越多,同时在所有文档中出现次数越少,越能代表该文章。
(i) :feature;(j) :item;(N) :total number of docs
主要思想:一个词语在一篇文章中出现次数越多,同时在所有文档中出现次数越少,越能代表该文章。
词频TF:某一个给定的词在该文章中出现的次数(归一化:除以文章总词数,以防止偏向长文章)
逆文档频率IDF:总文件数 / (包含该给定词的文档化数+1),再取对数(IDF越大,表明词条类别区分能力好)
TF-IDF和余弦相似度应用:自动提取关键字;找出相似文章;自动摘要
profile的可能性
- 加权平均值
- 变种:不采用均值,而是给与不同的权重
预测
profile (x) 和item特征集合 (i) 的相关度:(u(x, i) = cos(x, i) = frac{x·i}{||x||·||i||})
Pros vs. Cons
优点:
- 不需要其他用户的数据
- 能够向用户推荐独特的口味
- 能够推荐新的和不受欢迎的item
- 能够提供解释
缺点:
- 找到合适的特征很难
- 很难向新用户推荐(user profile构建困难)
- 无法挖掘出用户的潜在兴趣:从不推荐用户user profile以外的内容;人们可能有多种兴趣;不能利用其它用户的质量判断
2 协同过滤Collaborative
主要思想:对于用户 (x),找到(N)个与 (x) 有相似评价的用户,基于这(N)个用户的评价估计 (x) 的评价
找相似用户
对于用户 (x),其评价向量为 (r_x)
-
Jaccard相似度:忽略了评价的值(适用于处理无打分的偏好数据,即0/1)
(w_{u, v} = frac{|N(u) cap N(v)|}{|N(u) cup N(v)|})
-
余弦相似度:对于没有评价的值,看作negative的(解决方法:减去行均值,即去中心化,让均值为0)
(sim(x, y) = cos(r_x, r_y) = frac{r_x·r_y}{||r_x||·||r_y||})
-
皮尔逊相关系数:(S_{xy}),被 (x) 和 (y) 共同评价的item(输出范围[-1, 1])
[sim(x, y) = frac{sum_{sin{S_{xy}}}(r_{xs}-overline{r_x})(r_{ys}-overline{r_y})}{sqrt{sum_{sin{S_{xy}}}(r_{xs}-overline{r_x})^2}sqrt{sum_{sin{S_{xy}}}(r_{ys}-overline{r_y})^2}} ]
从相似度到推荐
(r_x) :用户(x)的评价;(N) :(k)个评价过item (i)的最相似用户;(S_{xy} = sim(x, y)):(x)和(y)的相似度
(r_{xi} = frac{1}{k}sum_{y in N}r_{yi}) ,(x)对(i)的评价,即(y)个用户对(i)评价的均值
(r_{xi} = frac{sum_{y in N}S_{xy}·r_{yi}}{sum_{y in N}S_{xy}}) ,即(y)和(x)的相似度越高,其评价权重越大
(cdots),还有很多种其他的预测选择。
item-item 协同过滤
对于item (i),找到其他相似的item,基于其他相似item的评分估算user (x) 对item (i)的评分
其中(N)是与(i)相似的被(x)评价过的item集合。
在实践中,对偏差进行建模,得到更好的估计:
其中(b_{xi} = mu + b_x + b_i),即baseline estimate for (r_{xi}),(mu)为所有评分平均值,(b_x)为user评分偏差,(b_i)为item评分偏差。
user-user 系统过滤
同上
在实际中,item-item比user-user表现更好,因为item的简单的,user有不同的口味
Pros vs. Cons
优点:
- 对于各种item都适合,不需要选择item特征
缺点:
-
冷启动:需要足够的用户来做推荐
-
稀疏矩阵:找到评论过相同item的用户很困难
-
第一个评价者:不能根据以前没有被评价过的item进行推荐(新item,内行的item)
-
流行偏向:不能根据某人独特口味推荐;趋向于推荐流行的
混合方法
- 实现多种推荐系统,结合预测(可能使用线性模型)
- CF主,CB辅(对于新item,新user都可以解决)
问题讨论
评价
用ground truth作为test data set,看恢复精度如何
- 均方根误差RMSE (sqrt{sum_{xi}(r_{xi}-{r_{xi}^*})^2})
- 精确度在前10的
- 排序相关性
0/1模型
- 覆盖率:系统可以做出预测的item/user数量
- 精确度:预测精确度
- 接收者操作特征ROC:判断错误的取舍曲线(AUC[Area under Curve]:ROC曲线下的面积,介于0.1和1之间。AUC作为数值可以直观的评价分类器的好坏,值越大越好。)
预测错误
没有关注到的点:
- 预测多样性
- 预测上下文
- 预测顺序
实际上,我们只关心评价高的。
复杂度 / 性能
找到最相似的k个用户花费巨大:(O|X|)(可以预先计算)
处理手段:
- LSH:用于海量高维数据的近似最近邻快速查找技术——局部敏感哈希
- 聚类
- 降维
提示
- 很多时候,简单的算法也有好的效果
- 引入外部的知识数据
- 更多的数据优于算法
3 基于潜因子的推荐Latent factor based
下节讲