推荐系统实践 · 第十四节
《推荐系统实践》第十四节
本节介绍基于图的推荐算法,将用户行为表示为二分图,把推荐问题转化为度量用户节点与物品节点的相关性。
本节介绍基于图的推荐算法,将用户行为表示为二分图,把推荐问题转化为度量用户节点与物品节点的相关性。相关性取决于两节点间的路径数、路径长度及路径经过的顶点,路径多、长度短且不经过高出度顶点的物品权重更高。文中介绍PersonalRank算法:从用户节点出发按概率α随机游走,多次迭代后各物品节点的访问概率收敛,以此作为推荐权重,实验中9次迭代即收敛。但该算法需在全图迭代,时间复杂度高,可通过减少迭代次数或转化为矩阵求解来改进。
随后进入第3章冷启动问题。冷启动分用户冷启动(新用户无行为数据)、物品冷启动(新物品如何推荐给合适用户)、系统冷启动(新网站无用户和行为数据)三类,可借助热门排行榜、注册信息、社交账号导入、用户反馈、物品内容信息、专家知识等方法解决。
3.2节讨论利用注册信息做粗粒度个性化推荐。注册信息包括人口统计学信息、兴趣描述和站外导入数据。以LifestyleFinder为例,它将美国人群按人口统计学属性分为62类,为新用户推荐其所属类别最喜欢的链接;AB测试显示其点击率为89%,明显高于随机推荐的27%,但未与热门榜对比。推荐流程为:获取注册信息、对用户分类、推荐该类用户喜欢的物品,可结合性别、年龄、职业等多张相关表加权得到最终列表。