基于知识的推荐
一些物品如地产、房屋的推荐上,用户没有足够的评分,基于知识的推荐系统以一种交互的方式向用户推荐符合其要求的物品
使用场景:
- 用户提供需求
- 物品过于复杂无法获取足够的评分
- 时间敏感的
基于知识的推荐系统的特点:
- 不需要评分数据,因此不存在启动问题
- 交互性非常强,是一种会话式系统
- 基于知识的推荐系统不过是一种过滤系统,”以一种个性化引导用户在大量潜在候选项中找到感兴趣或实用的物品.或者产生这些物品作为输出结果”的系统.
基于知识推荐系统的两种基本类型是:基于约束推荐和基于实例推荐
相同点:推荐过程相似:用户必须指定需求,然后系统设法给出解决方式.假设找不到解决方式,用户必须改动需求.此外,系统还要给出推荐物品的解释
不同点:怎样使用所提供的知识.基于实例的推荐系统着重于依据不同的相似度衡量方法检索出相似的物品.基于约束的推荐系统依赖明确的推荐规则集合.
知识表示法和推理
基于知识的系统依赖物品特性的具体知识.
比如数码相机需要知道商品的兆级像素,光学对焦,显示屏尺寸，是否能录像等专业知识.
基于约束的推荐问题一般能够表示为由约束求解器解决的约束满足问题,或者通过数据库引擎运行并解决的合取查询形式.
基于实例推荐系统主要利用相似度衡量标准从目录中检索物品
约束
约束满足问题(CSP)的求解过程,依据CSP算法和推荐知识库,就能够构建基于约束的推荐系统
基于约束的推荐,会涉及例如如下的变量和约束条件:
(1)用户属性($V_c$):描写叙述潜在的用户需求
(2)产品属性($V_{prod}$):依照分类描写叙述产品的属性
(3)一致性约束条件($C_r$):定义了同意范围内的用户属性比例
(4)过滤条件($C_f$):定义了在哪种条件下应该选择哪种产品
(5)产品约束条件($C_{prod}$):定义了当前有效的产品分类
(6)合取查询:和以上不同.合取查询是将一组挑选标准依照合取方式连接起来的数据库查询。
实例与相似度
这里的相似度是可以描述物品属性与某些给定用户需求之间的匹配程度.
例如,sim(p.r)表示每个物品属性值$\phi_r(p)$到用户需求r∈REQ的距离.此外$w_r$是需求r的权重
与基于约束推荐系统交互
一般会话交互过程如下:
(1)用户指定自己最初偏好
(2)当收集了足够有关用户需求和偏好的信息,会提供给用户一组匹配产品,用户能够选择要求系统解释为什么会推荐某个产品
(3)用户可能会改动自己的需求
用户和基于约束的推荐交互小结
- 用户在找不到解决方式时,能够求助于判定3结果和改动
- 默认值可以给出合理得到候选方案,有助于明白需求,其负面作用是滥用默认值操纵用户
- 基于效用排序有助于在结果页面上对信息单元排序,改动判定结果和改动成分提供的候选方案,以及对推荐物品解释的排序
- 这些概念形成一个工具集,有助于更好地实现基于约束的推荐应用
与基于实例的推荐系统交互
与基于约束的推荐系统类似,早期基于实例的推荐系统采用的也是纯粹基于查询的方法,用户需要指定(经常是反复指定)它们的需求,直到发现目标物品(满足用户愿望和需求的物品).对于该产品领域的非专业人士而言,这种抽取需求过程非常枯燥,因为必须有扎实的领域知识才能弄清物品间的错综复杂的属性.这个纯粹基于查询方法的缺陷促使人们提出了基于浏览方法来检索物品.假设用户不知道自助机在找什么,但目标是想找到一些有用的东西,那么这种方法可以为用户在物品的汪洋大海中导航.评价就是一种非常有效的导航方法,同时也是基于实例推荐系统的关键概念。
小结
基于知识推荐。其质量依赖于底层知识库的质量,且也依赖于用户的反馈.有两种类型:
(1)基于约束的建议:强调约束规则推荐
(2)基于实例的推荐:强调用户的原始搜索结果,并逐步评价(它可以理解为是许多其他搜索标准的选择)。