推荐系统HandBook Chapter3 基于内容的推荐系统-前沿和趋势

发表于 更新于 分类于

物品推荐的问题已经有广泛的研究，现有两类主要方式。基于内容的推荐系统试图推荐给定用户过去喜欢的相似物品， 而协同过滤推荐方式的系统识别出拥有相同爱好的用户，并推荐他们喜欢过的物品。

基于内容的推荐系统的基础

一个基于内容的推荐系统的高层次结构下图所示。推荐的过程包含有三个阶段，每一个阶段都由独立的部件控制。

基于内容的推荐系统的高层次结构

  • 内容分析器
    • 该部件的主要功能是将来自信息源的对象的内容表示成恰当的格式，以便于下一阶段的处理。
  • 信息学习器
    • 该部件收集用户偏好的数据特征，并试图通过机器学习技术泛化这些数据，从而构建用户特征信息。
  • 过滤组件
    • 该部件将用户与物品在表示空间中进行匹配，之后生成一个潜在感兴趣物品的排名清单。

基于内容的推荐系统的推荐流程

  1. 根据用户u对物品i的评分r，信息学习器通过监督学习算法，为该用户生成偏好特征；
  2. 用户偏好特征存储在信息资源库里，并被接下来的过滤组件使用；
  3. 比较用户偏好特征和新物品的特征，过滤组件预测用户对新物品的感兴趣程度；
  4. 过滤组件生成一个推荐列表给用户。
  5. 用户偏好会不断变化，上述步骤不断迭代。

基于内容过滤的优缺点

基于内容的推荐与基于协同过滤的推荐相比有一下优点：

  • 用户独立性
    • 只使用当前用户提供的评分构建个人信息
    • 协同过滤使用近邻用户，只有用户近邻喜欢的物品才有可能被推荐
  • 透明度
    • 通过显式列出推荐列表中的物品特征，可以对推荐进行解释
    • 协同过滤是黑盒子，解释仅来自相似的未知用户
  • 新物品
    • 新物品没有用户评分也能被推荐
    • 协同过滤只有被一系列用户评分后，才有可能被推荐

缺点：

  • 可分析的内容有限
    • 受特征数量、类型以及领域知识的限制
  • 过度特化
    • 无法获得出人意料的推荐。（不能发现用户的潜在兴趣）
  • 新用户
    • 必须收集到足够的用户评分后，才能理解用户偏好并给予推荐

基于内容的推荐系统的现状

基于关键词系统概述

基于本体的语义分析

  • SiteIF
    • 多语言新闻网站的个性化工具
    • 第一个采用基于感知的文档表示来对用户兴趣建模
    • 词领域消歧
  • ITR, Item Recommender
    • 词感知消歧
  • SEWeP
    • 利用日志和Web站点内容的语义实现个性化
  • Quickstep
    • 在线学术研究论文的推荐系统
  • informed Recommender
    • 使用消费者产品评价给出推荐建议
    • 系统通过作为知识表示和共享的翻译本体，把用户观点转换成一个结构化形式
  • News@hand
    • 采用基于本体表示物品特征和用户偏好来推荐新闻的系统

趋势和未来研究

略

0%