推薦系統的資料探勘方法有哪些？

推薦系統可以使用基於內容的方法、協同過濾方法或結合基於內容和協同過濾方法的混合方法。

基於內容的方法 - 基於內容的方法推薦與客戶先前偏好或查詢的專案相同的專案。它取決於產品特性和文字專案定義。

在基於內容的方法中，它是根據相似使用者對不同相同專案的效用值計算得出的。許多系統都致力於推薦包含文字資料的專案，包括網站、文章和新聞資訊。它們查詢專案之間的共性。對於電影，它們可以查詢相同的型別、導演或演員。

對於文章，它們可以查詢相同的術語。基於內容的方法植根於資料理論。它們利用關鍵詞（定義專案）和客戶檔案，其中包含關於使用者品味和需求的資料。此類檔案可以明確獲得，也可以從客戶隨時間的交易行為中瞭解。

協同過濾方法 - 在協同過濾方法中，它可以考慮使用者的社交環境。它根據與使用者具有相同品味或偏好的不同客戶的意見來推薦專案。

推薦系統需要資訊檢索、統計、機器學習和資料探勘等多種方法來查詢專案和使用者偏好之間的相似之處。

推薦系統的優勢在於，它們支援電子商務使用者的個性化，以及一對一營銷的開發。亞馬遜作為協同推薦系統需求的先驅，將其“為每個客戶提供個性化商店”作為其營銷策略的一個組成部分。

個性化可以使包括使用者和公司在內的雙方受益。透過獲得更有效的使用者模型，公司可以更好地瞭解使用者的需求。滿足這些需求可以帶來更高的成功率，包括相關產品的交叉銷售、追加銷售、產品關聯性、一對一促銷、更高的購物籃價值和使用者留存率。

協同推薦系統嘗試預測專案對使用者 u 的效用，這取決於先前由與 u 相似的其他使用者評級的專案。例如，在推薦書籍時，協同推薦系統試圖發現多個使用者，這些使用者有與 u 一致的評分歷史。協同推薦系統可以基於記憶（或啟發式）或基於模型。

基於記憶的方法使用啟發式方法根據使用者先前評級的整個專案集建立評級預測。專案-使用者組合的匿名評級可以計算為相同使用者對相似專案的評級的聚合。

Ginni

更新於：2022年2月18日

892 次瀏覽

開啟您的職業生涯

完成課程獲得認證

開始學習