智能推荐算法演变及学习笔记,数据挖掘比赛/项目全流程介绍

【说在前面】本人博客新手一枚,象牙塔的老白,职业场的小白。以下内容仅为个人见解,欢迎批评指正,不喜勿喷![握手][握手]

一、基于内容的智能推荐:最古老的智能推荐方案!

1. 定义

根据用户历史喜欢的item,为用户推荐与其内容相似的item。

2. 主要步骤

(1)从用户每个历史item的内容中抽取出一些特征
  • 结构化数据:直接用即可
  • 非结构化数据:转化为结构化数据后再使用(例如:针对文本数据的向量空间模型、TF-IDF等)
(2)利用用户历史喜欢或不喜欢的item特征集合,学习出用户的兴趣特征表示
  • 可以直接选择item的相似度衡量方法:欧几里得距离(适用于结构化数据)、余弦相似性(适用于非结构化数据转化后的向量表示)等
  • 可以采用机器学习算法进行有监督训练:线性回归、最近邻、朴素贝叶斯、决策树、神经网络等
(3)比较用户的兴趣特征与候选item的特征,选择相关性前Top-n的item进行推荐
  • 如果2中直接采用相似度衡量方法:只要把与用户兴趣特征最相关的n个item作为推荐返回给用户即可
  • 如果2中采用机器学习算法:只要把模型预测的用户最可能感兴趣的n个item作为推荐返回给用户即可

3. 优缺点

(1)优点
  • 不需要其它用户的数据,没有物品冷启动问题和数据稀疏问题
  • 能推荐新的或不是很流行的项目,没有新项目问题
  • 能为具有特殊兴趣爱好的用户进行推荐
  • 可以通过推荐项目的内容特征,解释其推荐理由
(2)缺点
  • 存在用户冷启动问题
  • 对item内容的特征抽取并不容易实现
  • 将各用户独立,只能推荐用户历史感兴趣的item,用户的潜在喜好无法挖掘

二、基于协同过滤的智能推荐:最流行的智能推荐方案!

1. 基于内存的协同过滤方法

(1)基于用户的推荐:主要考虑用户之间的相似度,将相似用户评分Top-n的物品推荐给用户

(2)基于物品的推荐:主要考虑物品之间的相似度,将与用户喜好物品相似度Top-n的物品推荐给用户

(3)优缺点

和基于内容的推荐方法相比,该协同过滤具有如下的优点:

  • 能够过滤难以进行机器自动内容分析的信息,如艺术品、音乐等
  • 能够共享其他用户的经验,避免了内容分析的不完全和不精确
  • 能够有效使用其他相似用户的反馈信息,加快个性化学习的速度
  • 具有推荐新信息的能力,可以发现用户潜在的但自己尚未发现的兴趣偏好

但该协同过滤仍有许多的问题需要解决:

  • 存在冷启动问题和数据稀疏问题
  • 商品、用户越多,协同过滤越复杂,可扩展问题
  • 不能为具有特殊兴趣爱好的用户进行推荐(找不到相似用户)

2. 基于模型的协同过滤方法:最主流的智能推荐方案!

(1)基于关联规则的推荐:主要方法是从 Apriori 和 FP-Growth 两个算法发展演变而来(计算复杂度过大)

(2)基于矩阵分解的推荐:主要方法包括SVD分解及其变种、分解机、张量分解等(都未解决数据稀疏问题和冷启动问题)
(3)基于隐语义模型的推荐:主要方法包括隐性语义分析LSA和隐含狄利克雷分布LDA等。(主要是基于用户的nlp语义分析进行相关推荐)

(4)基于机器学习的推荐(参考数据挖掘项目全流程介绍)
  • 基于聚类算法的推荐:k-means、层次聚类等
  • 基于分类算法的推荐:最近邻、朴素贝叶斯、决策树等
  • 基于回归算法的推荐:线性回归、逻辑回归等
  • 基于集成学习的推荐:gbdt、xgboost、lightgbm等
(5)CTR预估模型演变之路(手动划重点)
  • LR/GBDT/xgboost:机器学习算法的直接使用
  • FM/FFM:FM在LR的基础上,考虑了特征间的二次交叉;而FFM则是在FM的基础上,考虑了特征交叉的field特点

  • GBDT+LR/FM/FFM:GBDT模型能够学习高阶非线性特征组合、LR/FM/FFM易于处理大规模稀疏数据

  • MLR:等价于聚类+lr,先聚成m类,然后每个聚类单独训练一个LR,分而治之

 

  • DNN/wide & deep/deepFM/NFM/DCN等(引入深度学习):都是在高阶特征的提取上下了不少功夫
    • wide & deep:可以看作是 DNN 和特征工程的融合
    • deepFM/NFM:可以看作是FM、FFM和DNN的融合
    • DCN :cross网络是FM在高阶特征组合的推广,不需要特征工程
    • 后续还有引入注意力机制、强化学习等的智能推荐方法

  • 双塔模型DSSM:两侧分别对{用户,上下文} 和 {物品} 进行建模

(6)基于图模型的推荐
  • SimRank系列算法和马尔科夫模型算法:基于用户-物品二分图的拓扑结构信息来衡量任意两个对象间的相似程度
  • 基于知识图谱的推荐:
    • 基于特征的推荐方法:主要是从知识图谱中抽取用户和物品的属性作为特征,放入到传统的模型中(只引入了实体特征,没有引入关系特征)
    • 基于路径的推荐方法:将知识图谱视为一个异构信息网络(用户-物品),然后构造物品之间的基于meta-path的特征(meta-path是连接两个实体的一条特定的路径)
    • 知识图谱特征学习:基于距离的翻译模型追求h + r = t(TransE、TransH、TransR等)、基于语义的匹配模型将h/r/t输入网络中学习(SME、NTN、MLP、NAM等)
    • 结合知识图谱特征学习的推荐系统:依次训练学习(DKN)、联合训练学习(CKE/Ripple Network)、交替训练学习(MKR)

 三、混合推荐

1. 从推荐结果的角度

  • 加权型混合推荐:指将多种推荐技术的计算结果加权混合产生推荐
  • 分支型混合推荐:指根据问题背景和实际情况采用不同的推荐方法
  • 混杂型混合推荐:指采用多种推荐技术给出的推荐结果,即取并集

2. 从特征的角度

  • 特征组合:指组合来自不同推荐数据源的特征被另一种推荐算法所采用
  • 特征扩充:指一种技术产生附加的特征信息嵌入到另一种推荐技术的特征输入中

3. 从算法的角度

  • 增强型混合推荐:指前一个推荐方法的输出作为后一个推荐方法的输入
  • 层叠型混合推荐:指第一推荐方法输出粗略的推荐列表,该推荐列表又由下一推荐方法改进

4. 从系统的角度

  • 离线学习和在线学习:hadoop/storm/spark等大数据环境下的智能推荐
  • 满足业务上的一些需求:加入人工规则等

 四、智能推荐系统可能存在的问题

1. 冷启动问题

  • 主要包含新用户启动问题、新物品启动问题和新系统启动问题
  • 可以采用热门物品推荐、根据地域推荐、让用户选择兴趣标签、根据好友推荐、利用交叉领域信息等方法

2. 数据稀疏性问题

  • 可以采用简单填值、用户/物品聚类、矩阵分解、降维、混合推荐等方法

3. 马太/长尾效应

  • 指的是存在热门物品越来越受关注、其他物品越来越得不到关注的问题
  • 可以采用混合推荐等方法

4. 模糊问题

  • 指的是用户的兴趣爱好不太明显、比较散乱(例如一家人用同一个智能电视)
  • 可以采用混合推荐等方法

5. 同义问题

  • 指的是存在推荐相关性过大、甚至推荐重复的物品给用户(例如一个物品的不同版本)
  • 可以采用混合推荐等方法

6. 稳定性/可塑性问题

  • 指的是用户兴趣会慢慢改变、而推荐系统仍然保留用户的历史兴趣
  • 可以对用户的兴趣物品进行时间衰减操作

7. 多样性/精确性问题

  • 可以采用混合推荐等方法

 五、智能推荐的企业级应用

1. 采用召回候选集+业务规则过滤+模型打分排序的智能推荐系统思路

2. 采用分支型混合推荐应对不同的业务场景

3. 评估指标

个人理解企业级的上线问题以及评估指标,应该与数据挖掘类似,这里不再赘述。

  • 一是离线算法本身的评估指标:分类问题评估指标和回归问题评估指标等
  • 二是业务上线的评估指标:例如点击率、转化率等

 

老规矩,最后直接上完整的思维导图!

如果您对数据挖掘感兴趣,欢迎浏览我的另一篇博客:数据挖掘比赛/项目全流程介绍

如果您对人工智能算法感兴趣,欢迎浏览我的另一篇博客:人工智能新手入门学习路线和学习资源合集(含AI综述/python/机器学习/深度学习/tensorflow)

如果你是计算机专业的应届毕业生,欢迎浏览我的另外一篇博客:如果你是一个计算机领域的应届生,你如何准备求职面试?

如果你是计算机专业的本科生,欢迎浏览我的另外一篇博客:如果你是一个计算机领域的本科生,你可以选择学习什么?

如果你是计算机专业的研究生,欢迎浏览我的另外一篇博客:如果你是一个计算机领域的研究生,你可以选择学习什么?

如果你对金融科技感兴趣,欢迎浏览我的另一篇博客:如果你想了解金融科技,不妨先了解金融科技有哪些可能?

之后博主将持续分享各大算法的学习思路和学习笔记:hello world: 我的博客写作思路

© 版权声明
THE END
喜欢就支持一下吧!
点赞0
分享