aihot  2017-11-07 06:03:23  机器学习 |   查看评论   

  说完了新颖性,这里提一下多样性,如果仅按相似度去计算,很可能推荐出的物品都属于同一个类别。我们可以将原始推荐结果按某种内容属性分为几类,然后推荐每类前几名的物品。就像星际争霸比赛,虽然说是要看实力,但是也总是要分赛区的,每个赛区多少个名额,要是纯按实力,可能所有的名额都是韩国人的了。尽量让推荐结果来自不同的特征。

 

  还有时间多样性,前面也提过了,即便是用户不操作,也尽量不让用户每天看到相同的推荐内容。可以引入随机、记录用户看过的推荐结果进行降权或者直接每天用不同的推荐算法。

 

  排名模块最重要的部分就是用户反馈模块,用户反馈模块主要是通过分析用户之前和推荐结果的交互日志,预测用户会对什么样的推荐结果比较感兴趣,然后根据用户的兴趣进一步优化推荐结果。

 

  比如推荐系统的目标是提高用户对于推荐结果的点击率,那么可以利用点击模型预测用户是否会点击推荐结果。比如搜索结果的点击预测、搜索广告的点击预测、上下文广告的点击预测。

 

  构建这个预测模型首先需要提取特征,比如:

  • 用户相关的特征:年龄、性别、活跃度
  • 物品相关的特征:流行度、内容属性、评分
  • 物品在推荐列表中的位置
  • 用户之前是否点击过和推荐物品有同样推荐解释的其他推荐结果
  • 用户之前是否点击过和推荐物品来自同样推荐引擎的其他推荐结果

 

  本篇文章的推荐算法基本以推荐物品的推荐算法为主,上面的架构也更倾向于去解决物品推荐问题,不太适合解决社会化推荐问题。

  
 

除特别注明外,本站所有文章均为 人工智能学习网 原创,转载请注明出处来自浅谈推荐系统基础

留言与评论(共有 0 条评论)
   
验证码: