電子商務(wù)推薦系統(tǒng)介紹課件

電子商務(wù)推薦系統(tǒng)介紹報(bào)告人：3/9/2023提綱電子商務(wù)推薦系統(tǒng)簡(jiǎn)介電子商務(wù)推薦系統(tǒng)技術(shù)介紹基于關(guān)聯(lián)規(guī)則的推薦算法基于最近鄰居的協(xié)同過濾算法基于項(xiàng)目的協(xié)同過濾算法3/9/2023電子商務(wù)推薦系統(tǒng)簡(jiǎn)介Harvard商學(xué)院的JoePing在大規(guī)模定制一文中認(rèn)為現(xiàn)代企業(yè)應(yīng)該從大規(guī)模生產(chǎn)(以標(biāo)準(zhǔn)化的產(chǎn)品和均勻的市場(chǎng)為特征)向大規(guī)模定制(為不同客戶的不同需求提供不同的商品)轉(zhuǎn)化電子商務(wù)推薦系統(tǒng)(RecommendationSystem)向客戶提供商品信息和建議，模擬銷售人員幫助客戶完成購買過程3/9/2023電子商務(wù)推薦系統(tǒng)簡(jiǎn)介電子商務(wù)推薦系統(tǒng)的界面表現(xiàn)形式分類：Browsing：客戶提出對(duì)特定商品的查詢要求，推薦系統(tǒng)根據(jù)查詢要求返回高質(zhì)量的推薦SimilarItem：推薦系統(tǒng)根據(jù)客戶購物籃中的商品和客戶可能感興趣的商品推薦類似的商品Email：推薦系統(tǒng)通過電子郵件的方式通知客戶可能感興趣的商品信息TextComments：推薦系統(tǒng)向客戶提供其他客戶對(duì)相應(yīng)產(chǎn)品的評(píng)論信息3/9/2023電子商務(wù)推薦系統(tǒng)簡(jiǎn)介電子商務(wù)推薦系統(tǒng)的界面表現(xiàn)形式分類(續(xù))：AverageRating：推薦系統(tǒng)向客戶提供其他客戶對(duì)相應(yīng)產(chǎn)品的等級(jí)評(píng)價(jià)Top-N：推薦系統(tǒng)根據(jù)客戶的喜好向客戶推薦最可能吸引客戶的N件產(chǎn)品OrderedSearchResults：推薦系統(tǒng)列出所有的搜索結(jié)果，并將搜索結(jié)果按照客戶的興趣降序排列3/9/2023電子商務(wù)推薦系統(tǒng)簡(jiǎn)介電子商務(wù)推薦系統(tǒng)的輸入：客戶輸入(TargetedCustomerInputs)隱式瀏覽輸入(Implicitnavigation)：客戶的瀏覽行為作為推薦系統(tǒng)的輸入，但客戶并不知道這一點(diǎn)顯式瀏覽輸入(Explicitnavigation)：客戶的瀏覽行為是有目的向推薦系統(tǒng)提供自己的喜好關(guān)鍵詞和項(xiàng)目屬性輸入(KeywordsandItemattributes)：客戶輸入關(guān)鍵詞或項(xiàng)目的有關(guān)屬性以得到推薦系統(tǒng)有價(jià)值的推薦用戶購買歷史(Purchasehistory)：用戶過去的購買紀(jì)錄3/9/2023電子商務(wù)推薦系統(tǒng)簡(jiǎn)介電子商務(wù)推薦系統(tǒng)的輸出：建議(Suggestion)單個(gè)建議(SingleItem)未排序建議列表(UnorderedList)排序建議列表(OrderedList)預(yù)言(Prediction)：系統(tǒng)對(duì)給定項(xiàng)目的總體評(píng)分個(gè)體評(píng)分(IndividualRating)：輸出其他客戶對(duì)商品的個(gè)體評(píng)分評(píng)論(Review)：輸出其他客戶對(duì)商品的文本評(píng)價(jià)3/9/2023電子商務(wù)推薦系統(tǒng)簡(jiǎn)介推薦技術(shù)分類標(biāo)準(zhǔn)：自動(dòng)化程度(DegreeofAutomation)：客戶為了得到推薦系統(tǒng)的推薦是否需要顯式的輸入信息持久性程度(DegreeofPersistence)：推薦系統(tǒng)產(chǎn)生推薦是基于客戶當(dāng)前的單個(gè)會(huì)話(Session)還是基于客戶的多個(gè)會(huì)話3/9/2023電子商務(wù)推薦系統(tǒng)簡(jiǎn)介推薦技術(shù)分類Non-PersonalizedRecommendation：推薦系統(tǒng)的推薦主要基于其他客戶對(duì)該產(chǎn)品的平均評(píng)價(jià)，這種推薦系統(tǒng)獨(dú)立于客戶，所有的客戶得到的推薦都是相同的(自動(dòng)，瞬時(shí))Attributed-BasedRecommendation：推薦系統(tǒng)的推薦主要基于產(chǎn)品的屬性特征(手工)Item-to-ItemCorrelation：推薦系統(tǒng)根據(jù)客戶感興趣的產(chǎn)品推薦相關(guān)的產(chǎn)品(瞬時(shí))People-to-PeopleCorrelation：，又稱協(xié)同過濾，推薦系統(tǒng)根據(jù)客戶與其他已經(jīng)購買了商品的客戶之間的相關(guān)性進(jìn)行推薦(自動(dòng)，持久)3/9/2023電子商務(wù)推薦系統(tǒng)技術(shù)介紹電子商務(wù)推薦系統(tǒng)使用的技術(shù)主要有：Bayesian網(wǎng)絡(luò)(BayesianNetwork)關(guān)聯(lián)規(guī)則(AssociationRules)聚類(Clustering)Horting圖(HortingGraph)協(xié)同過濾技術(shù)(CollaborativeFiltering)3/9/2023電子商務(wù)推薦系統(tǒng)技術(shù)介紹電子商務(wù)推薦系統(tǒng)中的Bayesian網(wǎng)絡(luò)技術(shù)利用訓(xùn)練集創(chuàng)建相應(yīng)的模型，模型用決策樹表示，節(jié)點(diǎn)和邊表示客戶信息。模型的建立可以離線進(jìn)行，一般需要數(shù)小時(shí)或數(shù)天，得到的模型非常小，對(duì)模型的使用非常快這種方法適合客戶的興趣愛好變化比較慢的場(chǎng)合推薦精度和最近鄰技術(shù)差不多3/9/2023電子商務(wù)推薦系統(tǒng)技術(shù)介紹電子商務(wù)推薦系統(tǒng)中的關(guān)聯(lián)規(guī)則技術(shù)根據(jù)關(guān)聯(lián)規(guī)則發(fā)現(xiàn)算法和客戶當(dāng)前的購買行為向用戶產(chǎn)生推薦關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)也可以離線進(jìn)行推薦精度比最近鄰技術(shù)略差具體介紹見第三節(jié)3/9/2023電子商務(wù)推薦系統(tǒng)技術(shù)介紹電子商務(wù)推薦系統(tǒng)中的Horting圖技術(shù)是一種基于圖的方法，節(jié)點(diǎn)代表客戶，邊代表兩個(gè)客戶之間的相似度。在圖中尋找近鄰節(jié)點(diǎn)，然后綜合近鄰節(jié)點(diǎn)的觀點(diǎn)形成最后的推薦Horting圖技術(shù)可以跳過中間節(jié)點(diǎn)尋找最近鄰居，考慮了節(jié)點(diǎn)之間的傳遞相似關(guān)系推薦精度優(yōu)于最近鄰技術(shù)3/9/2023電子商務(wù)推薦系統(tǒng)技術(shù)介紹電子商務(wù)推薦系統(tǒng)中的協(xié)同過濾技術(shù)一般采用最近鄰技術(shù)，利用客戶的歷史喜好信息計(jì)算客戶之間的距離，目標(biāo)客戶對(duì)特定商品的喜好程度由其最近鄰居對(duì)商品評(píng)價(jià)的加權(quán)平均值來計(jì)算可以處理客戶數(shù)據(jù)變化比較快的情況在大型數(shù)據(jù)庫中搜索最近鄰居非常耗時(shí)，實(shí)時(shí)性不好3/9/2023電子商務(wù)推薦系統(tǒng)技術(shù)介紹協(xié)同過濾算法的主要挑戰(zhàn)：算法的適應(yīng)能力：處理大規(guī)模的數(shù)據(jù)推薦精度，使用如下兩個(gè)指標(biāo)來度量：Falsenegatives：客戶喜歡但推薦系統(tǒng)并沒有推薦的商品Falsepositive：推薦系統(tǒng)推薦但客戶并不喜歡的商品3/9/2023基于關(guān)聯(lián)規(guī)則的推薦算法算法過程：使用關(guān)聯(lián)規(guī)則發(fā)現(xiàn)算法找出所有滿足最小支持度和最小置信度的關(guān)聯(lián)規(guī)則R找出R中所有被客戶支持的關(guān)聯(lián)規(guī)則R1，即關(guān)聯(lián)規(guī)則左邊的所有商品都被客戶購買找出被關(guān)聯(lián)規(guī)則R1所預(yù)測(cè)并且沒有被客戶所購買的所有商品P根據(jù)P中商品在關(guān)聯(lián)規(guī)則R1中的置信度排序，如果某商品被多個(gè)規(guī)則預(yù)測(cè)，則取置信度最大者作為排序依據(jù)，挑選前N個(gè)商品作為算法輸出3/9/2023基于關(guān)聯(lián)規(guī)則的推薦算法算法分析：第一步關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)最耗時(shí)，是算法的瓶頸，但可以離線進(jìn)行實(shí)時(shí)性比較好，因?yàn)楹笕讲粫?huì)太耗時(shí)3/9/2023基于最近鄰居的協(xié)同過濾算法基本思想：使用統(tǒng)計(jì)技術(shù)尋找與目標(biāo)客戶有相同喜好的鄰居；然后根據(jù)目標(biāo)客戶多個(gè)鄰居的觀點(diǎn)產(chǎn)生向目標(biāo)客戶的推薦3/9/2023基于最近鄰居的協(xié)同過濾算法表示階段：用m*n階客戶-商品矩陣表示Ri,j=1，如果第i個(gè)客戶購買了第j件商品Ri,j=0，如果第i個(gè)客戶沒有購買第j件商品3/9/2023基于最近鄰居的協(xié)同過濾算法上述表示稱為原始表示(OriginalRepresentation)，這種表示的主要問題有：稀疏性(Sparsity)：大部分的客戶購買的商品不到全部商品的1%，從而使得推薦精度很低適應(yīng)性(Scalability)：計(jì)算代價(jià)隨著客戶數(shù)目和商品數(shù)目的增加而增加，很難滿足實(shí)時(shí)性要求同義詞問題(Synonymy)：同一類商品的名字不一樣3/9/2023基于最近鄰居的協(xié)同過濾算法相似性度量方法：相關(guān)性(Correlation)：使用Pearson相關(guān)系數(shù)表示余弦相似性(Cosine)：將客戶a和客戶b看作兩個(gè)向量，客戶之間的相似性通過向量之間的于弦夾角來表示3/9/2023基于最近鄰居的協(xié)同過濾算法推薦產(chǎn)生階段：由目標(biāo)客戶的鄰居產(chǎn)生N件商品推薦，可以采用如下兩種不同方法產(chǎn)生推薦最頻繁項(xiàng)目推薦(Most-frequentItemRecommendation)：掃描目標(biāo)客戶每一個(gè)鄰居的購買數(shù)據(jù)，對(duì)其購買的商品進(jìn)行計(jì)數(shù)，選擇出現(xiàn)頻率最高且目標(biāo)客戶沒有購買的前N件商品最為推薦結(jié)果基于關(guān)聯(lián)的推薦(AssociationRule-basedRecommendation)：類似于前面介紹的基于關(guān)聯(lián)規(guī)則的推薦算法，只是將目標(biāo)客戶的鄰居作為算法的輸入3/9/2023基于項(xiàng)目的協(xié)同過濾算法基本思路：根據(jù)目標(biāo)客戶已經(jīng)評(píng)價(jià)過的項(xiàng)目與目標(biāo)項(xiàng)目的相似性，選擇k個(gè)最相似的項(xiàng)目{i1,i2,……,ik}，同時(shí)得到k個(gè)最相似的項(xiàng)目與目標(biāo)項(xiàng)目的相似度，記為{si1,si2,……,sik}，然后將目標(biāo)客戶對(duì)這k個(gè)最相似的項(xiàng)目的評(píng)分及這k個(gè)最相似的項(xiàng)目與目標(biāo)項(xiàng)目的相似度的加權(quán)平均值作為對(duì)目標(biāo)項(xiàng)目的評(píng)分3/9/2023基于項(xiàng)目的協(xié)同過濾算法本算法主要分兩步：項(xiàng)目相似性計(jì)算產(chǎn)生推薦3/9/2023基于項(xiàng)目的協(xié)同過濾算法計(jì)算項(xiàng)目i和j之間的相似性：從所有的用戶中分離出同時(shí)對(duì)項(xiàng)目i和項(xiàng)目j進(jìn)行評(píng)價(jià)的用戶根據(jù)上面得到的數(shù)據(jù)計(jì)算項(xiàng)目i和項(xiàng)目j的相似性3/9/2023基于項(xiàng)目的協(xié)同過濾算法相似性度量跟基于最近鄰技術(shù)的協(xié)同推薦系統(tǒng)類似：基于相關(guān)性的相似性(Correlation-basedSimilarity)：Pearson相關(guān)系數(shù)基于余弦的相似性(Cosine-basedSimilarity)3/9/2023基