标点符(钱魏 Way)

推荐在Amazon.com的运用

Amazon作为推荐系统的老大(King of recommender system)。Amazon的前科学家Greg Linden在他们的blog中也讨论了推荐系统在Amazon中的作用,他提到在他离开时(2002年),推荐系统对Amazon的贡献额在20%左右。以下为个人收集的,关于亚马逊推荐的一些零散的信息,分享出来,期望给对这方面有兴趣的同学做参考。 一、推荐给Amazon带来的效益 1、 […]

百分点个性化推荐引擎的学习

一、百分点的主要特点 1、用户全网兴趣偏好平台 满足针对用户全网兴趣偏好进行精准分析,打通用户在多个网站的兴趣偏好。 个人点评:全网数据指的是所有目前与其合作的网站的的数据,从目前合作的规模看,目前与百分点合作的大型网站没有几个,其他的都是些冷门的网站。对于一些大型网站,处于商业信息的保密,基本上不会将此部分数据与其他网站共享。 2、互联网用户的兴趣图谱 浏览和收藏代表用户的偏好,购买行为则最贴近 […]

淘宝推荐系统的学习

一、推荐系统概念 1、推荐系统定义 维基百科:推荐系统属于资讯过滤的一种应用。推荐系统能够将可能受喜好的资讯或实物(例如:电影、电视节目、音乐、书籍、新闻、图片、网页)推荐给使用者。 推荐系统大体可分为两类,即个性化推荐和非个性化推荐。 2、推荐系统作用 从用户角度: 提高用户忠诚度 帮助用户快速找到商品 从网站角度: 提高网站交叉销售能力 提高成交转化率 好的推荐系统更像一个有经验的网站导购员 […]

国内外旅游电子商务个性化推荐系统研究

1  绪论 1.1  研究问题的提出 随着信息技术和电子商务技术的飞速发展以及互联网的普及,电子商务网站层出不穷。由于旅游产品本身具有无形性、不可储藏和非物质性等特点,并且不存在物流配送问题,使得旅游电子商务更容易运作。例如,全球知名的Expedia 网站,以及我国的携程和艺龙旅行网等。有了面向旅游者的信息系统,可以更好地为游客提供查询相关信息和预定的服务,但是由于网站信息和服务缺乏个性。我们看到 […]

推荐系统之Also Buy和Also View的实现

目前很多的B2C网站均有推荐系统的呈现,而最常见的就是类似Amazon网站上出现的购买此商品的顾客也同时购买了。 说到推荐系统,大多数人认为非常的高深莫测,但是再高深的系统也可以一探究竟。上面的推荐其实就是著名的“啤酒和尿布”相类似。下面我们就来研究上要实现上述的功能,需要做哪些操作。 首先我们要的是一份数据,即所有的用户的购买记录。即一份 userId和itemId的记录表。 数据格式可以如下: […]

推荐算法Slope One初探

Slope One 算法是由 Daniel Lemire 教授在 2005 年提出的一个 Item-Based 推荐算法。 Slope One 算法试图同时满足这样的的 5 个目标:  易于实现和维护:普通工程师可以轻松解释所有的聚合数据,并且算法易于实现和测试。  运行时可更新的:新增一个评分项,应该对预测结果即时产生影响。  高效率的查询响应:快速的执行查询,可能需要付出更多的空间占用作为代价 […]

基于综合兴趣度的协同过滤推荐算法

1 概述 电子商务推荐系统最大的优点在于它能收集用户的兴趣资料和个人信息,根据用户兴趣偏好主动为用户做出个性化推荐。推荐技术指的是如何找出用户感兴趣的商品并列出推荐清单,在用户信息获取差别不大的情况下,推荐技术成为决定一个推荐系统性能的关键,其中推荐算法是推荐技术的核心[1]。 协同过滤技术是实际应用中使用最广泛的推荐技术,包括Amazon.com 在内许多网上书店都在使用协同过滤技术。协同过滤是 […]

互联网推荐系统比较研究

互联网规模和覆盖面的迅速增长带来了信息超载(information overload)的问题:过量信息同时呈现使得用户无法从中获取对自己有用的部分,信息使用效率反而降低。现有的很多网络应用,比如门户网站、搜索引擎和专业数据索引本质上都是帮助用户过滤信息的手段。然而这些工具只满足主流需求,没有个性化的考虑,仍然无法很好地解决信息超载的问题。推荐系统(recommender system)作为一种信息 […]

基于增强学习的旅行计划推荐系统

1 概述 推荐系统是一种智能化电子商务应用,可以协助用户搜索信息,为用户提供个性化的产品推荐。旅游推荐系统的目的是支持旅行者在旅游前和旅游中面临的重要旅行规划决定。此类系统明确(通过问)或暗示(通过挖掘用户的在线活动日志)获取用户需求,并提供各种产品和服务,如前往目的地、兴趣点、事件或活动。近年来,研究者设计了很多旅游推荐系统,某些已经运行于主要的旅游门户网站。 传统推荐系统支持很简单的非交互检索 […]

协同过滤推荐系统的那些不足点

类目(种类)推荐杂很多情境下行不通,因为有太多的产品属性,而每个属性(比如价钱,颜色,风格,面料,等等)在不同的时候对于消费者的重要程度都是不一样的。取而代之的是协同过滤推荐系统。但是协同过滤推荐系统也不是那么完美无缺,他或多或少的会有那么一些问题~ 1、数据稀疏问题 协同过滤的精度主要取决于用户数据的多少。如果一个系统有很多用户的历史数据,他就能更好的对用户的喜欢做出预测。所以,目前推荐系统做的 […]