推荐系统研究综述 - 中国知网
传统推荐方法主要分类:
1)基于内容推荐方法
主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。
基于内容的推荐方法的思想非常简单,就是向用户推荐与他们过去兴趣相似的项目。
2)协同过滤推荐方法
是目前应用最为广泛的一种方法, 不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会存在稀疏矩阵和冷启动的问题。
基于用户的协同过滤:
首先根据用户偏好计算用户之间的相似度,找出与目标用户相似度高的用户,然后预测出目标用户对相似用户感兴趣物品的评分,最后将评分最高的若干个物品推荐给用户。
换句话说,假设我们相似度很高,都喜欢篮球明星,你喜欢库里和汤普森,我喜欢库里,那么系统可以将汤普森推荐给我。
基于项目的协同过滤:
项目的协同过滤是物品和物品之间的相似度,找到了目标用户对某些物品的评分,那么我们就可以对相似度高的类似物品进行预测,将评分最高的若干个相似物品推荐给用户。
换句话说,你同时购买了两个牌子的洗面奶,你对他们的评分很相近,我购买了其中的一个牌子的洗面奶,那么系统可以将另外一个牌子的洗面奶推荐给我。
3)混合推荐方法
融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多 源异构辅助信息时仍面临一些挑战与困难。
依据神经网络基于深度学习的推荐方法主要分为4类:
1)基于深度神经网络(DNN)的推荐方法
- 特点:DNN是一种包含多个隐藏层的前馈神经网络,每一层都对输入数据进行非线性变换。
- 应用:广泛应用于图像和语音识别、分类和回归任务。
- 挑战:不具有处理时间序列数据的内在能力,且可能需要大量的参数调整和训练数据。
2)卷积神经网络(CNN)的推荐方法
- 特点:CNN是一种特殊类型的DNN,它通过卷积层来提取局部特征,并通过池化层来降低特征的空间维度。
- 应用:主要用于图像和视频处理,如图像分类、目标检测和图像分割。
- 优势:能够有效地处理具有网格结构的数据,减少参数数量并提高计算效率。
3)基于循环神经网络(RNN)的推荐方法
- 特点:RNN具有处理序列数据的能力,通过在网络中引入循环连接来传递和记忆之前的状态信息。
- 应用:主要用于处理时间序列数据,如自然语言处理、语音识别和视频处理中的时序分析。
- 挑战:容易受到梯度消失或梯度爆炸的影响,需要特殊结构(如LSTM和GRU)来缓解这些问题。
4)基于图神经网络(GNN)的推荐方法
- 特点:GNN是一类用于处理图结构数据的神经网络,它能够捕捉节点之间的复杂关系和图的全局结构。
- 应用:适用于社交网络分析、推荐系统、知识图谱和分子结构分析等领域。
- 挑战:需要有效地定义和计算图结构数据的表示,以及处理大规模和动态变化的图