個性化推薦系統
·
推薦系統通過獲取用戶的歷史行為數據,如網頁的瀏覽數據、購買記錄、社交網絡信息、用戶地理位置等,來推斷用戶偏好.隨著計算機技術的發展,推薦系統所采用的推薦技術由早期的基于用戶-項的數據矩陣分解技術為主,逐漸向與數據挖掘、機器學習、人工智能等技術相融合的方向發展,從而深度挖掘用戶行為的潛在偏好,以構建更加精準的用戶偏好模型.推薦過程也從靜態預測發展到實時推薦,通過與用戶實時交互來使推薦結果更加豐富.文中重點回顧了推薦系統在不同時期所采用的關鍵技術,主要包括基于內容過濾的推薦技術、基于協同過濾的推薦技術、基于深度學習的推薦技術、基于強化學習的推薦技術和基于異構網絡的推薦技術等.最后對比和分析了關鍵技術的優缺點,并對推薦系統的未來發展進行展望.
付費5元查看完整內容
相關內容
推薦系統旨在為用戶推薦個性化的在線商品或信息, 其廣泛應用于眾多Web場景之中, 來處理海量信息數據所導致的信息過載問題, 以此提升用戶體驗. 鑒于推薦系統強大的實用性, 自20世紀90年代中期以來, 研究者針對其方法與應用兩方面, 進行了大量廣泛的研究. 近年來, 很多工作發現知識圖譜中所蘊含的豐富信息可以有效地解決推薦系統中存在的一系列關鍵問題, 例如數據稀疏、冷啟動、推薦多樣性等. 因此, 本文 針對基于知識圖譜的推薦系統這一領域進行了全面的綜述. 具體地, 首先簡單介紹推薦系統與知識圖譜中的一些基本概念. 隨后, 詳細介紹現有方法如何挖掘知識圖譜不同種類的信息并應用于推薦系統. 此外, 總結了相關的一系列推薦應用場景. 最后, 提出了對基于知識圖譜的推薦系統前景的看法, 并展望了該領域未來的研究方向.
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191