不同情况应选择合适的推荐技术和方案

推荐方法是整个推荐系统的核心和关键部分，在很大程度上决定了推荐系统的性能。目前，主要的推荐方法包括：基于内容推荐、协同过滤推荐、基于相关规则推荐、基于效用推荐、基于知识推荐和组合推荐。1、基于内容推荐和内容推荐（Content-basedRecommendation）它是信息过滤技术的延续和发展。它是基于项目内容信息的推荐，不需要根据用户对项目的评价，而是需要从内容特征描述的例子中获得更多的机器学习方法。在基于内容的推荐系统中，项目或对象是通过相关特征的属性来定义的。该系统根据用户评估对象的特征学习用户的兴趣，并调查用户数据与预测项目的匹配程度。用户的数据模型取决于所用的学习方法，包括决策树、神经网络和基于向量的表达方法。基于内容的用户数据需要用户的历史数据，用户数据模型可能会随着用户偏好的变化而变化。基于内容推荐方法的优点是:1)不需要其他用户的数据，没有冷开始和稀疏的问题。2)可以推荐有特殊兴趣爱好的用户。3)可以推荐新的或不太受欢迎的项目，没有新的项目问题。4)可以通过列出推荐项目的内容特征来解释为什么推荐这些项目。5)技术比较好，比如分类学习技术比较成熟。缺点是要求内容容易提取成有意义的特征，要求特征内容具有良好的结构性，用户的品味必须以内容特征的形式表达，其他用户无法明确判断。二、协同过滤推荐协同过滤推荐（CollaborativeFilteringRecommendation）技术是推荐系统中应用最早、最成功的技术之一。一般采用最近邻技术，利用用用户的历史偏好信息计算用户之间的距离，然后利用目标用户最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的偏好，系统根据此偏好推荐目标用户。协同过滤的最大优点是对推荐对象没有特殊要求，可以处理音乐、电影等非结构化复杂对象。协同过滤是基于这样的假设：找到一个用户真正感兴趣的内容的好方法是先找到其他与用户相似的用户，然后向用户推荐他们感兴趣的内容。它的基本思想很容易理解，在日常生活中，我们经常使用好朋友的推荐来做出一些选择。协同过滤是将这一理念应用到电子商务推荐系统中，并根据其他用户对某一内容的评价向目标用户推荐。基于协同过滤的推荐系统可以说是从用户的角度进行相应的推荐，并且是自动的，即用户从购买模式或浏览行为中获得的推荐，不需要用户努力找到适合自己兴趣的推荐信息，比如填写一些调查表。与基于内容的过滤方法相比，协同过滤具有以下优点：1）能够过滤难以进行机器自动内容分析的信息，如艺术、音乐等。2)分享他人的经验，避免内容分析不完整和不准确，可以基于一些复杂和难以表达的概念（如信息质量和个人品味）进行过滤。3)有能力推荐新信息。在内容上可以发现完全不相似的信息，用户对推荐信息的内容是事先预料不到的。这也是协同过滤和基于内容的过滤之间的一个很大的区别。许多基于内容的过滤建议都是用户已经熟悉的内容，协同过滤可以找到用户的潜在兴趣偏好，但他们还没有找到。4)能有效利用其他类似用户的反馈信息，减少用户的反馈，加快个性化学习。协同过滤作为一种典型的推荐技术，虽然有其相当大的应用，但仍有许多问题需要解决。最典型的问题是稀疏问题（Sparsity）和可扩展问题（Scalability）。三、基于相关规则推荐基于相关规则的推荐（AssociationRule-basedRecommendation）以相关规则为基础，以已购商品为规则头，以规则为推荐对象。相关规则的挖掘可以发现，不同商品在销售过程中的相关性已经成功应用于零售业。管理规则是统计在交易数据库中购买商品集X的交易中购买商品集Y的比例。其直观意义在于用户在购买某些商品时有多倾向于购买其他商品。例如，在购买牛奶的同时，许多人会同时购买面包。发现算法的第一步关联规则是最关键、最耗时的，是算法的瓶颈，但可以离线进行。第二，商品名称的同义性问题也是相关规则的一个难点。四、基于效用推荐基于效用推荐（Utility-basedRecommendation）它是基于用户使用项目的有效性。其核心问题是如何为每个用户创建一个有效函数。因此，用户数据模型在很大程度上是由系统使用的有效函数决定的。基于效用推荐的好处是，它可以使非产品的属性，如提供商的可靠性（VendorReliability）以及产品的可用性（ProductAvailability）考虑到效用计算。五、基于知识推荐基于知识推荐（Knowledge-basedRecommendation）在某种程度上，它可以被视为一种推理（Inference）该技术不是基于用户的需求和偏好。由于使用的功能知识不同，基于知识的方法也有明显的差异。效用知识（FunctionalKnowledge）这是一个关于如何满足特定用户的项目，所以它可以解释需求和推荐之间的关系，所以用户数据可以是任何支持推理的知识结构，可以是用户的标准化查询，也可以是用户需求的更详细的表达。六、组合推荐由于各种推荐方法都有优缺点，所以在实践中，组合推荐（HybridRecommendation）经常使用。最常见的研究和应用是内容推荐和协同过滤推荐的组合。最简单的方法是使用基于内容的方法和协同过滤推荐方法来产生推荐的预测结果，然后使用某种方法来结合其结果。虽然理论上有很多推荐的组合方法，但在具体问题上并不总是有效的。组合推荐最重要的原则之一是避免或弥补他们在组合后推荐技术的弱点。一些研究人员在组合方法上提出了七种组合思路：1）加权（Weight）：加权多种推荐技术结果。2）变换（Switch）：采用不同的推荐技术，根据问题背景、实际情况或要求决定变更。3）混合（Mixed）：为用户提供参考，采用多种推荐技术提供多种推荐结果。4）特征组合（Featurecombination）：另一种推荐算法采用了不同推荐数据源的组合特征。5）层叠（Cascade）：第一种推荐技术产生粗糙的推荐结果，第二种推荐技术在此推荐结果的基础上进一步做出更准确的推荐。6）特征扩充（Featureaugmentation）：在另一种推荐技术的特征输入中嵌入一种技术产生额外的特征信息。7）元级别（Meta-level）：以一种推荐方法生成的模型作为另一种推荐方法的输入。主要推荐方法的比较各种推荐方法各有优缺点，见表1。