21.1.1. 協(xié)同過濾

我們從推薦系統(tǒng)中的重要概念——協(xié)同過濾 (CF) 開始旅程，它最初是由 Tapestry 系統(tǒng)創(chuàng)造的( Goldberg et al. , 1992 )，指的是“人們相互協(xié)作以幫助彼此執(zhí)行過濾過程處理發(fā)布到新聞組的大量電子郵件和消息”。這個詞已經(jīng)豐富了更多的意義。從廣義上講，它是使用涉及多個用戶、代理和數(shù)據(jù)源之間協(xié)作的技術(shù)來過濾信息或模式的過程。CF自問世以來有多種形式和眾多的CF方法被提出。

總體而言，CF 技術(shù)可分為：基于內(nèi)存的 CF、基于模型的 CF 及其混合體（Su 和 Khoshgoftaar，2009 年）。代表性的基于內(nèi)存的 CF 技術(shù)是基于最近鄰的 CF，例如基于用戶的 CF 和基于項目的 CF （Sarwar等人，2001 年）. 矩陣分解等潛在因子模型是基于模型的 CF 的示例。Memory-based CF 在處理稀疏和大規(guī)模數(shù)據(jù)方面存在局限性，因為它基于共同項目計算相似度值。基于模型的方法因其更好的處理稀疏性和可擴展性的能力而變得越來越流行。許多基于模型的 CF 方法可以使用神經(jīng)網(wǎng)絡(luò)進行擴展，從而通過深度學(xué)習(xí)中的計算加速產(chǎn)生更靈活和可擴展的模型 （Zhang等人，2019 年）. 一般來說，CF 只使用用戶-項目交互數(shù)據(jù)來進行預(yù)測和推薦。除了 CF 之外，基于內(nèi)容和基于上下文的推薦系統(tǒng)在合并項目/用戶的內(nèi)容描述和上下文信號（例如時間戳和位置）時也很有用。顯然，當(dāng)有不同的輸入數(shù)據(jù)可用時，我們可能需要調(diào)整模型類型/結(jié)構(gòu)。

21.1.2。顯式反饋和隱式反饋

為了了解用戶的偏好，系統(tǒng)應(yīng)收集他們的反饋。反饋可以是顯式的也可以是隱式的 （Hu et al. , 2008）。例如， IMDb收集電影的星級評分，范圍從 1 星到 10 星。YouTube 為用戶提供了豎起大拇指和不豎起大拇指的按鈕來顯示他們的偏好。顯然，收集明確的反饋需要用戶主動表明他們的興趣。盡管如此，明確的反饋并不總是很容易獲得，因為許多用戶可能不愿意對產(chǎn)品進行評級。相對而言，隱式反饋通常很容易獲得，因為它主要關(guān)注對用戶點擊等隱式行為進行建模。因此，許多推薦系統(tǒng)都以隱式反饋為中心，隱式反饋通過觀察用戶行為間接反映用戶的意見。隱式反饋的形式多種多樣，包括購買歷史、瀏覽歷史、手表甚至鼠標(biāo)移動。例如，購買了同一作者的多本書的用戶可能會喜歡該作者。請注意，隱式反饋本質(zhì)上是嘈雜的。我們只能猜測 他們的喜好和真實動機。用戶看過電影并不一定表示對該電影有正面看法。

21.1.3。推薦任務(wù)

在過去的幾十年里，已經(jīng)研究了許多推薦任務(wù)。從應(yīng)用領(lǐng)域來看，有電影推薦、新聞推薦、興趣點推薦 ( Ye et al. , 2011 )等。也可以根據(jù)反饋和輸入數(shù)據(jù)的類型來區(qū)分任務(wù)，例如，評級預(yù)測任務(wù)旨在預(yù)測顯式評級。頂部-n推薦（項目排名）根據(jù)隱式反饋為每個用戶個人對所有項目進行排名。如果還包括時間戳信息，我們可以構(gòu)建序列感知推薦 （Quadrana等人，2018 年）。另一個流行的任務(wù)稱為點擊率預(yù)測，它也基于隱式反饋，但可以利用各種分類特征。為新用戶推薦和向現(xiàn)有用戶推薦新物品被稱為冷啟動推薦（Schein et al. , 2002）。

21.1.4。概括

• 推薦系統(tǒng)對個人用戶和行業(yè)都很重要。協(xié)同過濾是推薦中的一個關(guān)鍵概念。

• 有兩種類型的反饋：隱式反饋和顯式反饋。在過去十年中，已經(jīng)探索了許多推薦任務(wù)。

21.1.5。練習(xí)

1. 您能解釋一下推薦系統(tǒng)如何影響您的日常生活嗎？

2. 您認為可以研究哪些有趣的推薦任務(wù)？
   

Discussions