个性化推荐知识汇总
立即下载
独奏♪
2024-12-14
用户
个性化
推荐
系统
记录
服务
商品
技术
过滤
购物
1.1 MB
一
基于协同过滤 (collaborative filtering ，CF)的推荐系统通过收集来自其他相似用户或项目的评
价信息，自动预测当前用户的兴趣偏好。 协同过滤的基本假设是用户会更喜欢那些相似用户
偏爱的商品，已被广泛应用在一些大型的商业系统，如亚马逊和阿里巴巴等。
目前，协同过滤算法主要包括基于内存的、基于模型的以及二者相混合的推荐技术”。 使用
最多的模型是 k 最近邻 (k-nearest neighbor，kNN) 协同过滤技术，包括基于用户推荐和基于
项目推荐两种技术。
一般说来， 本体描述了某个应用领域的概念和概念之间的关系， 使得它们具有唯一确定的含
义，获得该领域的相关知识， 提供对该领域知识的共同理解， 便于用户和计算机之间进行交
流。
OntoECRec 推荐模型
二
1995年，卡内基·梅隆大学的 A．RDben 等人在美国人工智能协会上提出了个
性化导航系统 we-watcher，真正标志着个性化服务的开始； 1997 年 3 月，
(communications of the AcM)。组织了个性化推荐系统的专题报道， 标志着个性化
服务已经被技术界高度重视； 1999年，德国 Dresden技术大学的 J．Tania实现
了个性化电子商务原型系统 TELLIM ，标志着个性化服务开始向全球发展； 2000
年，NEc研究院的 D．B．Kurt 等人为搜索引擎 atesecr增加了个性化推荐功能，
实现 citeseer的个性化。2001年，纽约大学的 GediminaS Adomavicius和 Alexander
Tuzhilin 实现了个性化电子商务网站的用户建模系统 1：1Pro。
个性化推荐服务体系结构中， 信息收集模块是个性化服务系统的基础模块。 用户
的信息包括了用户的个人基本资料、 购买的历史记录及浏览记录等。 个人基本资
料可以从用户注册表单中获得； 购买的历史记录主要存放于电子商务网站的后台
交易数据库中， 包含了每位用户以前历次购物的详细情况记录， 如购物时间、商
品清单、价格、折扣等， 同时也可以收集用户放入购物篮而未购买的商品记录，
以及用户过去浏览过的商品信息等。 当然要搜集用户的行为信息， 日志文件是必
不可少的，如要收集服务器日志， 则要在服务器端
用户/个性化/推荐/系统/记录/服务/商品/技术/过滤/购物/
用户/个性化/推荐/系统/记录/服务/商品/技术/过滤/购物/
-->