【读书笔记】《推荐系统(recommender systems An introduction)》第八章 案例分析:移动互联网个性化游戏推荐

对于在线商店,主要关心两方面:1. 提升转化率(将不消费的用户转变为消费用户);2. 提升消费额(已经花钱的人,花更多的强)

实验场所是移动互联网的一个网站,用户可以用移动设备来访问,并下载app(游戏和应用)。有些app免费,有些收费。作者利用这个实验环境对比了集中推荐算法的效果。

对比了6种方法:

1. 协同过滤;2. slope one;3. 基于内容的推荐;4. 混合推荐;5. top rating(按照评分排序);6. 按照销量排序

这一章只是实验数据的罗列,没有太值得记的地方,实验效果是CF最好,slope one在很多情况下都表现得不太好

完。

时间: 2024-08-08 01:27:23

【读书笔记】《推荐系统(recommender systems An introduction)》第八章 案例分析:移动互联网个性化游戏推荐的相关文章

【读书笔记】《推荐系统(recommender systems An introduction)》第一章 引言

很久没上来写blog,前两个月赶上校招季节,都忙校招去了. 这本书我早就买来了,不过我从前看过项亮的<推荐系统实践>,看这本书的目录结构和项亮那本差不多,就一直放着没看.最近在做一个推荐系统,遇到一些实际问题,想翻开项亮的书再找找灵感,不过对于自己看过了的东西,就不愿意再翻看第二遍了.恰好这本书和项亮那本很像,就直接看这本书了.顺便记记笔记,贴到这里,供更多人参考. 1. 协同过滤的推荐 基本思想:用户在过去有相同的偏好,e.g. 他们浏览或者买过相同的书,那么他们在未来也有相似的偏好. 关键

【读书笔记】《推荐系统(recommender systems An introduction)》第五章 混合推荐方法

第五章 混合推荐方法 推荐问题可以转换成效用函数,函数的输入为用户和物品,输出为用户和物品的效用--效用是指物品满足某种抽象目标的能力,如:满足用户某方面的需求.或者是满足零售转化率.等等 任何一个推荐系统都是从众多物品中选取N个物品,使得这N个物品的效用总和最大 1. 整体式混合设计 从最底层的特征开始考虑整合 1.1 特征混合方案 如果有多种特征可以用,例如:用户浏览.点击.搜索.购买.等行为,要预测用户下一步要购买什么,显然搜索和购买行为比浏览.点击行为更加重要.对于不同重要性的特征的利用

【读书笔记】《推荐系统(recommender systems An introduction)》第二章 协同过滤推荐

输入:"用户-物品"评分矩阵 输出:(1)用户对某个物品喜欢程度的评分:(2)对于用户,n个推荐的物品列表 1. 基于用户的最近邻推荐(user-based cf) 算法基本假设:(1)如果用户过去有相似的偏好,那么他们未来也会有相似的偏好:(2)用户的偏好不随时间变化而变化 用户相似度计算:user-based cf中pearson相关系数比较好:item-based cf中余弦相似度比较好.学术界在相似度方面有较为深入的研究,例如:很多领域都存在一些所有人都喜欢的物品(热门物品),

【读书笔记】《推荐系统(recommender systems An introduction)》第十章至第十三章

第十章 在线消费决策 这一张主要写消费者的心理,更贴近于心理学,而不是技术方面. 1. 传统的决策模型是认为人们的兴趣始终如一,不会发生变化:不过现代研究表明,用户在决策过程中偏好并不稳定 2. 人们会根据物品的展示环境做决策:同样的商品,放到不同环境下面展示,身价就不同 3. 首位/新近效应:位于列表首位和末尾的物品,更容易被记住 4. 框架效应:展现框架决定用户决策 5. 启动效应 6. ... 个人评价,如果想深入了解这一张说的内容,还不如找一本消费心理学的书来看 ============

【读书笔记】《推荐系统(recommender systems An introduction)》第六章 推荐系统的解释

如何给推荐系统的结果给予解释? 1. 基于约束的推荐系统:这种系统的商品都有各种属性,用户只知道个大概,但是不完全清楚各种属性,推荐系统在帮助用户一步步接近用户最终的期望.属性就是产生推荐理由的关键.本书中采用了一些推理方法来生成理由,挺玄乎的.我理解,直接告诉用户,我猜你最关心的是xx属性,根据这个属性,我来给你推荐xxx,这样就应该行了. 2. 基于实例的推荐系统:产生的理由和上面差不多,都是关键属性,过程根据推荐新算法不同而有所不同,个人感觉,不值得细看 3. 协同过滤的推荐系统:一般来讲

【读书笔记】《推荐系统(recommender systems An introduction)》第九章 针对协同过滤推荐系统的攻击

个人评价:很有意思的一个话题,我在实际工作中也遇到过,不过这本书写的一般,有点儿"掉书袋",太学术化.太YY.前提假设条件太强.姑且看看做借鉴吧. 通常推荐系统利用用户数据的时候,是假定用户是善良的.诚实的.而攻击,就只值认为设法影响系统的结果.性能. 攻击的维度:1. 针对某个物品,抬高或者降低其评分:2. 针对特定的用户群:3. 针对某个系统,然系统推荐不准确,甚至系统崩溃. 所有的攻击都是通过某种方式(例如:模拟用户行为)来向推荐系统中注入某种特定数据来达到目的的. 攻击类型:

【读书笔记】《推荐系统(recommender systems An introduction)》第三章 基于内容的推荐

基于内容的推荐的基本推荐思路是:用户喜欢幻想小说,这本书是幻想小说,则用户有可能喜欢这本小说 两方面要求:(1)知道用户的喜好:(2)知道物品的属性 基于内容的推荐相比协同过滤方法(个人观点):协同过滤用到了大量用户的群体行为特征,两个特点,(1)要大量用户,(2)除了用户的行为之外,不需要其他信息:基于内容的推荐,需要用户和物品的额外信息,如:用户喜好.物品属性等等,但是不需要存储.处理大量的用户数据. 基于内容的推荐和基于知识的推荐没有明确界限,两者区别:前者更侧重于提取物品属性,后者更侧重

【读书笔记】《推荐系统(recommender systems An introduction)》第四章 基于知识的推荐

前两章的协同过滤和就内容的推荐都建立在"大量数据"的基础上,运用概率方法来进行计算和预测.不过,在现实生活中,有些物品,如:汽车.房屋.计算机,用户不会频繁的消费.如何在这种情况下对用户进行推荐? 这种case,在现实生活中很常见的就是在淘宝上面用general的query来搜索一些大宗物品,如:相机.电视.空调.等等.这时候淘宝除了给出一些结果,还会给出一些选项,如:品牌.像素.尺寸,用户每当做了一个选择之后,淘宝会进一步提供更细致的选项,直到用户在淘宝的帮助下一步步用淘宝的方式来精

【读书笔记】《推荐系统(recommender systems An introduction)》第七章 评估推荐系统

基本思想:将数据分为训练集合和测试集合,用训练集合的数据训练模型,用测试集合的数据测试模型.训练集和测试集的划分,可以是按照时间的维度,也可以按照人群的维度. 存在风险:对于某些方法可能有偏向性. 用历史数据进行评价 按照时间维度将数据分为训练集合测试集,N折交叉验证. 还有直接用人工进行评价的.不过代价较大,不能上规模,在实际中用处不大. 完.