推薦系統概述

1、爲何須要推薦系統？

1）信息過載(information overload)問題日益嚴重

2）人找喜歡的物品、資訊變得愈來愈困難

3）新的產品想脫穎而出、獲得關注，亦不容易

 

2、推薦系統主要能解決什麼問題？

1）人與物的精確匹配，從人找信息，轉變爲信息找人
2）幫助減小馬太效應和長尾效應的影響

馬太效應：產品中熱門的東西會被更多人看到，熱門的東西會變得更加熱門，而冷門的東西更加冷門。
長尾理論：某些條件下，需求和銷量不高的產品所佔據的市場份額，能夠和主流產品的市場份額相比。

 

3、推薦系統與搜索引擎有什麼不一樣？

搜索引擎-人找資訊

搜索引擎就是人找信息的經典狀況，可是搜索出來的結果很是充分的體現了馬太效應，就是越熱門越靠前，沒有體現個性化需求。

 

  推薦系統-資訊找人

1）事實上， 每個人的品味和偏好都並不是和主流人羣徹底一致，當咱們發現得越多，咱們就越能體會到咱們須要更多的選擇。
2）若是說搜索引擎體現着馬太效應的話，那麼長尾理論則闡述了推薦系統發揮的價值。

 

4、從用戶層面推薦系統能帶來什麼？

1）推薦系統可以知足用戶對信息的個性化需求

推薦系統在個性化方面的運做空間要大得多，以「推薦好看的電影」爲例，一百個用戶有一百種口味，並無一個「標準」的答案，推薦系統能夠根據每位用戶歷史上的觀看行爲、評分記錄等生成一個對當前用戶最有價值的結果，這也是推薦系統有獨特魅力的地方。

2）推薦系統知足用戶難以用文字表述的需求

• 用戶自然都是願意偷懶的，不肯意輸入過多文字去精確表達本身的需求
• 搜索引擎對語義的理解目前還沒法作到足夠深刻
• 推薦系統經過標籤設置（頁面上選擇喜歡的標籤），加上與用戶的交互（篩選、排序、點擊等），不斷積累和挖掘用戶偏好，能夠將這些難以用文字表達的需求良好的知足起來

 

5、知識圖譜在推薦系統中如何發揮做用？

知識圖譜旨在描述真實世界中存在的各類實體或概念及其關係,其構成一張巨大的語義網絡圖，節點表示實體或概念，邊則由屬性或關係構成，知識圖譜在推薦系統中可以起以下做用：

 

精確性：知識圖譜爲物品引入了更多的語義關係，能夠深層次地發現用戶興趣。

多樣性：經過知識圖譜中不一樣的關係連接種類，有利於推薦結果的發散。

可解釋性：知識圖譜能夠鏈接用戶的歷史記錄和推薦結果，從而提升用戶對推薦結果的滿意度和接受度，加強用戶對推薦系統的信任。