推荐系统实践 · 第十五节
《推荐系统实践》第十五节
本节介绍基于用户人口统计学特征的推荐方法及其在冷启动中的应用。
本节介绍基于用户人口统计学特征的推荐方法及其在冷启动中的应用。核心是计算具有某特征的用户对物品的喜好程度,若用物品在该类用户中的热门程度定义,会导致热门物品在各类用户中权重都高,故改为用喜欢该物品的用户中具有该特征的比例来定义,并在分母加参数以缓解数据稀疏。
以BookCrossing数据集为例,按“热门程度”统计的年轻与年长用户最常看的书重合度高,难以体现个性;而按“比例”统计的榜单则明显贴合各自年龄层的兴趣。Lastfm实验对比了按性别、年龄段、国家及三者组合分类的推荐算法,结果粒度越细的准确率、召回率和覆盖率越高,且国家特征对音乐兴趣的影响大于年龄和性别。
另一解决冷启动的方法是让用户先对物品反馈再推荐,如Jinni让新用户选电影类型并评分。启动物品需有区分性、避免大众化,且集合要覆盖主流兴趣。Nadav Golbandi提出用决策树选择启动物品:以用户对物品评分的方差衡量兴趣一致性,按“喜欢、不喜欢、未评分”三类用户内部方差之和定义物品区分度,反复选取区分度最高的物品分裂用户,冷启动时沿树逐层询问新用户对节点物品的看法,直到落入叶子节点,即可据此推荐。