Back to home

Recommender System : An Introduction 阅读笔记 - 导言

推荐系统的需求早在1990s开始出现.
  • 系统探索阶段.
  • 迅速商业化阶段.
  • 调研激增,成为主流.
  • 更进一步,推荐系统在现在.
导言

第一部分: 基础介绍

行为推荐 (collaborative recommendation)

本章将会研究如下几个问题.
  • 如何为被推荐用户查找出相应的相似用户?
  • 如何定义"相似"?
  • 碰到新用户怎么办?他们没有可依据的购买历史数据.
  • 如何对待还没有人购买过的新物品?
  • 如何利用仅有的几个排名?
  • 什么技术能被用于我们帮助查找相似用户他们所可能喜欢的物品?
原始的行为推荐不需要任何物品信息,比如图书商城的推荐系统,就不许要知道本书是关于什么,本书的分类以及作者.

基于内容推荐 (context-based recommendation)

本章将会研究如下几个问题.
  • 系统如何取得以及改进用户信息.
  • 我们如何确定物品匹配,最相似,还是兼容的,还是用户感兴趣的?
  • 何种技术能被用于自动提取物品描述以减少手工输入?
基于内容推荐有两个优势. 1. 不需要大量用户群. 1. 新物品能马上被推荐.

基于范围推荐 (knowledge-based recommendation)

本章将会研究如下几个问题.
  • 何种领域适合表现为基于范围?
  • 何种结构能基于用户特征选择并且排序物品?
  • 我们如何在领域中取得没有可用购买历史记录的用户信息?如何通过用户账户获取用户明确的偏好?
  • 何种影响模式能用于反馈推荐系统.
  • 最后,什么样的范围下我们能够个性化对话,获取最大偏好处理?(Finally, in which dimensions can we personalize the dialog to maximize the precision of the preferece elicitation process?)
混合方法 (hybrid approaches)

混合不同的技术,能够带来更大的价值.
  • 何种技术能够被合并,合并需要什么前置条件?
  • 是否需要测量两个或者更多的系统衍生,或者有其他混合设计存在?
  • 如何比较不同的技术权重,以及能否动态确定他们?
推荐系统的说明 (explanations in recommender systems)
  • 推荐系统如何在系统中说明增加了用户信任?
  • 推荐系统如何说明推荐策略影响方法?
  • 如何说明取得用户信任的系统是公平或公正的?
评估推荐系统 (evaluating recommender systems)
  • 评估系统应用哪种调研设计?
  • 推荐系统如何使用历史数据作为尝试?
  • 应以3何种标准应用到不同的评估目标?
  • 为什么评估技术是有限的,片面的?何时社区化或者商业化推荐系统?
案例学习 (case study)
  • 推荐系统有何商业价值?
  • 他们有助于增加销售或让更多浏览者成为顾客?
  • 不同的算法是否有不同的效率?何种算法要被用于何种场景?
第二部分 : 最近进展
  • 隐私和强度.如何抵挡恶意用户操纵推荐系统-比如插入虚假用户排名到推荐系统?如何确保用户隐私不被泄漏?
  • 线上消费者决策制定.何种消费者决策指定以最关联为主?由传统销售渠道转为线上渠道能否增加更多洞察度?特别的,如何将信息编码到推荐系统中去?附加的技术或者新的模型能够帮助我们改进销售或认可推荐服务?
  • 推荐系统在社交和语义环境中.我们如何基于用户间的信任体系和社交关系改进推荐系统的准确度?语义网络技术如何影响推荐系统算法?推荐在Web2.0中扮演什么样的角色?
  • 普遍应用.当前技术如何进步,比如在手机端,开启一扇新一代推荐系统之门?普遍的应用领域如何影响推荐算法,比如随着场景不同,愈加强调上下文环境和场景参数?