关键字 |
| 信息过载,关键字查询、快速检索、内容推荐,推荐系统。 |
我的介绍。 |
| 网络是一个重要的媒介,以满足用户寻求关于任何主题的信息。由于爆炸性增长的社交网络网站和在线用户生成内容系统个性化为每个网站是一个理想的特性。而在门户网站上浏览,时间是越来越多的搜索引擎更产生的数据。优化内容交付给用户的大多数搜索引擎使用内容的建议。软件工具和技术为项目提供建议使用的用户被称为内容推荐。推荐系统是一个子类的信息过滤系统,预测用户评级或在一个项目的偏好。给出的建议推荐系统是基于用户的决策过程等喜欢买什么,读什么,看什么。内容项这个词是用来表示系统推荐给用户。 |
| 近年来使用推荐系统无处不在。推荐系统的主要特征是,他们吸引用户的利益和用户提供更好的响应。主要应用领域是电影、新闻、书籍、研究文章、搜索查询和产品,如衣服,幻想,电子产品等等,也有推荐系统餐馆、人寿保险、金融服务、笑话、专家、twitter追随者等。 |
| 下面第一部分中,我们描述的方法最普遍用于构建推荐系统如协同过滤、基于内容的预测,基于知识的方法,人口过滤和混合基于内容的协同过滤方法。在第二部分有一个比较不同的方法。第三部分涉及内容建议在门户网站的优势最后一个是我们论文的结论部分。 |
二世。推荐技术 |
| 使用不同的技术[8]内容对搜索引擎的建议。[9]推荐系统通常产生推荐列表以两种方式之一——通过协作或基于内容的过滤。[1]每个方法都有自己的优点和缺点。 |
答:协同过滤 |
| 最受欢迎的和广泛使用的方法是协同过滤推荐系统。这种方法构建模型从用户过去的行为以及类似的决定由其他用户,然后使用该模型来预测项目用户。在图1中,CF系统收集用户反馈的用户评分内容项和利用其他用户之间的相似之处与不同之处。相似性的两个用户评级历史上基于相似度计算的用户。这就是为什么技术有协同过滤即中欧关系的名称。[3]在域没有多少内容与项目相关的或者是很难分析的想法,我们使用CF。这个系统有能力向用户推荐相关的物品。这两个是协同过滤的优点超过其他方法。所以CF系统被广泛用于开发推荐系统。有四个问题建议基于CF,它们是:[2] |
| •稀疏:用户item-rating矩阵是稀疏的,因为大多数用户不率大部分货物的最低价格。因此即使是最受欢迎的项目很少评级。所以很难找到用户提供类似的评级。这个问题发生在系统高item-to-user比率或当系统在初始阶段使用。 |
| •第一评定等级的问题:一个项目不能推荐,除非用户评价过。这个问题发生新的内容项。 |
| •冷启动:作出准确的建议CF系统需要大量的现有的用户数据。 |
| •可伸缩性:有数百万的用户和产品。所以大量的计算能力是必要的计算建议。 |
| b .基于内容 |
| 在这个方法中建议从一组物品具有类似特征。[3]基于内容的预测方法是基于项目的描述和一个概要文件的用户的偏好。在图2中,CB系统关键字用于描述项目和创建用户配置文件来表示用户喜欢的物品。用户配置文件创建基于两个类型的信息。一个是用户的偏好和其他用户交互历史。系统首先学习项目,类似于过去的用户喜欢。然后创建一个基于内容的用户基于加权向量的项目特征。相似度计算的物品物品相比基于相关的特性。权重表示一个项目到用户的重要性。喜欢或不喜欢的是直接从用户反馈的一种形式,因此它可以用来分配权重或高或低。 Various candidate items are compared and best matching items are recommended. As an example, if a user has rated a video as comedy category then he/she gets further recommendation from that category. CB method can uniquely characterize each user. The main disadvantages of content based predictor are: |
| •有限能力推荐内容项新的网站。[1] |
| •系统是否能够学习用户偏好的用户动作。 |
| •当系统仅限于推荐内容相同类型的用户已经在使用,推荐系统的价值小于其他内容类型时可以推荐其他服务。 |
| c .基于知识的方法 |
| 基于知识的系统[5]使用用户和产品知识。雷竞技官网在图3中,基于知识的方法建议项目基于推断用户的需求和喜好。在这种方法中首先找到知识如何确定项目功能满足用户的需求和喜好,为用户项目是如何有用的。然后估计相似性函数有多少用户需要匹配的建议。相似性得分可以直接为用户解释为建议的来源。[7]的优点基于知识的方法,它没有“过渡状态”的问题以来,建议用户评级的不依赖于任何数据库。用户感兴趣的理解信息空间和他们使细节更需要。该方法的判断是独立的个人的口味所以没有需要收集特定用户的信息。该方法也有一些缺点。提出有用的建议系统需要一个知识数据库。 This knowledge base need frequent updating to keep up with the ever-changing consumer ratings and preferences. This system only gives static suggestions so user gets what is contained in the database. |
| d .人口过滤 |
| 这个系统推荐项目基于用户的人口统计资料。[3]此方法使用不同的人口统计属性,如年龄、性别、和职业建议的目的。建议生成不同的人口位置通过结合评级的用户在这些位置。基于人口统计的建议是简单和有效的。作为一个例子,用户发送到一个特定的网站根据自己的语言或国家。在人口的建议,图4的建议可能会根据用户的年龄。这种方法主要用于营销领域。人口属性避免冷启动问题。[4] |
| e .混合推荐系统 |
| 我们描述的所有方法都有自己的长处和弱点。所以我们采用一种混合推荐系统通过结合两个或两个以上的推荐技术得到更好的内容优化。最受欢迎的混合方法结合基于内容的预测和协同过滤推荐系统。[10]结合内容和协作可以开发一个优雅的和有效的框架。因此基于内容的协同过滤(CBCF)的名称。[2]这可以以不同的方式实现:通过基于内容和协同预测分别,然后结合;通过添加基于内容的预测一个协作过滤;通过统一成一个单一的一个方法。微型计算机体积很小,一个基于内容的协同过滤执行比纯粹的基于内容的预测或纯协作过滤。在CBCF[1],基于内容的预测是用于提高现有用户数据,然后通过协同过滤提供个性化的建议。 This method is effective and provides more accurate recommendation to a user. CBCF [6] also overcome problems like cold start and sparsity problem. It also overcome first rater problem. CBCF can improved by improving content based predictor or collaborative filtering methods. |
推荐系统的优点 |
| •它增加用户满意度。 |
| •增加销售的物品数量。 |
| •销售更多多元化的内容。 |
| •提高用户忠诚度。 |
| •更好地了解用户想要什么。 |
结论 |
| 分析了各种技术用于内容推荐和比较。在网站内容推荐是一个重要的过程。所以应该选择正确的方法。第一种方法构建协同过滤模型从用户过去的行为以及类似的决定由其他用户,然后使用该模型来预测项目用户。基于内容的预测方法是基于项目的描述和一个概要文件的用户的偏好。基于知识的系统使用用户和产品知识。雷竞技官网人口过滤系统推荐项目基于用户的人口统计资料。混合方法结合基于内容的预测和协同过滤方法。这些方法中最广泛使用的方法是混合方法。它克服了单一的推荐方法的缺点。 |
表乍一看 |
 |
| 表1 |
|
|
数据乍一看 |
|
|
|
引用 |
- 江扁,Anlei盾,Xiaofeng他,斯里赫里Reddy,宜昌,“在线内容优化用户操作解释”IEEETransactions知识和数据工程,25卷,没有。9日,2013年
- Prem梅尔维尔和雷蒙德·j·穆尼和RamadassNagarajan Content-Boosted协同过滤改进建议,“Proc。18国家Conf.人工智能),页187 - 192,埃德蒙顿,加拿大,2002年7月。
- Francesco Ricci LiorRokach BrachaShapira,“推荐系统概论”,推荐系统手册,施普林格,2011,pp。1-35。
- LailaSafoury和Akram沙拉”,利用用户人口属性解决推荐系统本身问题”LectureNotes软件工程,1卷,3号,2013年8月。
- 罗宾·伯克,“以知识为基础的推荐系统”的信息和计算机科学,加州大学欧文分校。
- 巴苏,Haym Hirsh威廉·科恩“推荐分类:使用社会和基于内容的信息推荐”aaai - 98程序,1998年
- 基于维基百科/知识和人口特征的内容推荐。
- 维基百科/内容推荐方法及其分类。
- PrzemyslawKazienko PawelKolodziejski,“电子商务个性化推荐方法的集成”,国际期刊2006电子计算机科学与应用数学研究基金会3期3卷,12-26页
- 罗宾·伯克“混合网络推荐系统”,学院的计算机科学、通信与信息系统
- 德保罗大学,243年美国沃巴什Ave.Chicago,伊利诺斯州,美国
|
传记 |
| Neethu拉吉是一个技术(动元素)硕士学生在计算机科学部门,工程学院,Perumon。她收到了她的技术(B-tech)学士学位科钦科技大学。她的研究方向是数据挖掘、图像处理、网络安全等。 |
| Suja王妃米年代在信息技术部门助理教授,工程学院,Perumon。她收到了她的主人的技术(动元素)学位大学女士和喀拉拉邦大学技术(B-tech)学士学位。她的研究兴趣是计算机网络和数据挖掘等。 |
菜单
