内容简介:产品设计中的推荐引擎介绍
什么是推荐引擎?
推荐引擎利用特殊的信息过滤(IF,Information-Filtering)技术,将不同的内容(例如电影、音乐、书籍、新闻、图片、网页等)推荐给可能感兴趣的用户。通常情况下,推荐引擎的实现是通过将用户的个人喜好与特定的参考特征进行比较,并试图预测用户对一些未评分项目的喜好程度。参考特征的选取可能是从项目本身的信息中提取的,或是基于用户所在的社会或社团环境。
推荐引擎的分类
1. 个性化的推荐--根据用户过去在网站的行为进行推荐。
2. 社会化推荐--根据类似用户过去在网站的行为进行推荐。
3. 基于产品的推荐--基于产品本身的特性进行推荐。
4. 以及上述三种的方法的组合。
推荐引擎的开放api
商业推荐引擎不仅仅用来把数据计算出来,在后期必须充分的利用这些高质量的推荐数据,通过推荐引擎的开放API,可以在任何需要调用推荐数据的地方使用这些高质量的推荐数据,实现集中计算,分散使用。企业推荐引擎的数据可以扩展到网站的任何一个角落,给互联网客户贴心的用户体验。
推荐引擎的通用算法
1.基于关联规则的推荐算法(Association Rule-based Recommendation)
2.基于内容的推荐算法 (Content-based Recommendation)
内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。
基于内容过滤的系统其优点是简单、有效。其缺点是特征提取的能力有限,过分细化,纯基于内容的推荐系统不能为客户发现新的感兴趣的资源,只能发现和客户已有兴趣相似的资源。这种方法通常被限制在容易分析内容的商品的推荐,而对于一些较难提取出内容的商品,如音乐CD、电影等就不能产生满意的推荐效果。
3.协调过滤推荐算法 (Collaborative Filtering Recommendation)
与传统文本过滤相比,协同过滤有下列优点:
1)能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐。
2)能够基于一些复杂的,难以表达的概念(信息质量、品位)进行过滤。
3)推荐的新颖性。 正因为如此,协同过滤在商业应用上也取得了不错的成绩。Amazon,CDNow,MovieFinder,都采用了协同过滤的技术来提高服务质量。
缺点是:
1)用户对商品的评价非常稀疏,这样基于用户的评价所得到的用户间的相似性可能不准确(即稀疏性问题)。
2)随着用户和商品的增多,系统的性能会越来越低(即可扩展性问题)。
3)如果从来没有用户对某一商品加以评价,则这个商品就不可能被推荐(即最初评价问题)。因此,现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。
推荐引擎的过滤方式
1.基于内容的过滤
了解内容和用户的特质,送上合适产品的做法,被称为“基于内容的过滤” (Content Based Filtering)
2.协同过滤”(Collaborative Filtering) 的推荐方式
图–协同过滤二层推荐模型
以“协同过滤”推荐机制为核心,网站并不需要做出如同“What to Rent”的“性格-产品”匹配,而只需要了解“用户都在同哪些人进行交往”、“用户加入了哪些组群”、“用户都在看谁的页面”这样的问题,然后根据“物以类聚、人以群分”的思路为用户推荐他的伙伴都感兴趣的事物。
第一代的协同过滤技术,又被称为基于用户(User-based)的协同过滤。基于用户的协同过滤,基本原理是基于用户行为选择的相关性。
协同过滤的核心问题是寻找与目标用户兴趣相近的一组用户。这种相似用户通常被称为最近邻居(Nearest Neighbor)。用户之间的相似度是通过比较两个用户的行为选择矢量得到的。于是第二代基于内容项(Item-based)的协同过滤技术就产生了。与基于用户的技术不同的是,这种方法比较的是内容项与内容项之间的相似度。 Item-based方法同样需要进行三个步骤获得推荐:
1)得到内容项(Item)的历史评分数据。
2)针对内容项进行内容项之间的相似度计算,找到目标内容项的“最近邻居”。
3)产生推荐。这里内容项之间的相似度是通过比较两个内容项上的用户行为选择矢量得到的。基于用户的推荐系统相比,基于内容项的推荐系统最大的改进是更具有扩展性。基于内容项的方法通过计算内容项之间的相似性来代替用户之间的相似性。
不论是第一代的基于用户方法,还是第二代的基于内容项方法,都不可避免的遇到数据稀疏的问题。
基于内容和基于协同过滤两种方式的区别
无论从用户还是服务提供者的角度出发,这两种推荐方式都有各自明显的优劣。如果采用“基于内容的过滤”,那么在完成内容和用户互相匹配的过程中,就可能出现“越读越窄”、“越听越窄”、“越看越窄”的问题,提供的内容完全与用户兴趣点相吻合,而没有发散。
“协同过滤”在很大程度上避免了这个问题,但是他需要用户达到一定数量级之后才能发挥出网站创建者预想的效果,这种“网络效应”使得同一市场上的后来者很难找到切入的机会。而用户一旦不能得到“好处”,可能迅速离去,而来不及提“利他”的后话。
3.基于实时行为的推荐
目前流行的实时搜索开始了这方面的研究。
以上所述就是小编给大家介绍的《产品设计中的推荐引擎介绍》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- 推荐系统的产品设计
- 数据分析产品设计中,有哪些坑需要注意?
- 数据分析产品设计中,有哪些坑需要注意(二)
- 白话大数据:大数据与机器学习在产品设计中的应用
- [译] 为复杂产品制定设计规范
- 达观数据副总裁贾学锋:基于文本智能技术的AI产品设计实践
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
虚拟现实:最后的传播
聂有兵 / 中国发展出版社 / 2017-4-1 / 39.00
本书对“虚拟现实”这一诞生自70年代却在今天成为热门话题的概念进行了历史发展式的分析和回顾,认为虚拟现实是当今最重大的社会变革的技术因素之一,对虚拟现实在未来百年可能给人类社会的各个层面带来的影响进行说明,结合多个大众媒介的发展趋势,合理地推演未来虚拟现实在政治、经济、文化等领域的态势,并基于传播学理论框架提出了几个新的观点。对于普通读者,本书可以普及一般的虚拟现实知识;对于传媒行业,本书可以引导......一起来看看 《虚拟现实:最后的传播》 这本书的介绍吧!