工作总结 6.25.

Presentation on theme: "工作总结 6.25."— Presentation transcript:

1 工作总结 6.25

2 Netflix Pirze 介绍 背景 规则 目前参赛组最好成绩

3 背景 租赁商Netflix，2006年10月2日发起一项竞赛 。
任何组织或个人提交比Cinematch效果好10%的新方法就可以获得100万美元。 NetflixPrize还提供每年5万美元的年度进步奖。 趋势：从商业性质变成研究性质，很多研究机构参与这项竞赛，如08年年度进步奖：BellKor in BigChaos 是属于AT&T research

4 规则 从训练集合：超过48 万（480 thousand）随机用户对1.8万（18 thousand movie）部电影的超过1亿次评分（100 million ratings），评分等级从1-5星，训练出有效算法 对公布的测试集合：280万条（2.8 million）用户/电影id 评分的数据对（等级评分没有公布）进行预测评分 预测结果集提交给竞赛网站，网站根据RMSE（均方跟误差）对预测结果精度进行评测

5 规则 目前参赛组最好成绩（184个国家40340个参赛队）
官方算法Cinematch：RMSE = （quiz subset） 提高10%：RMSE= =0.8563 目前参赛组最好成绩（184个国家40340个参赛队）

6 推荐系统算法简介 商业性推荐（电子商务，电影，音乐，书籍） 新闻推荐（手机报，百度个性化新闻）

7 商业性推荐（电影，书籍，商品） 基于内容的推荐 根据用户选择的对象，推荐其他类似的对象：
特点：不需要依据用户对象的评价意见，系统基于用户评价对象的特征来学习用户兴趣。 对象特征（Contents（s））选取：主要以文字描述为主，如文本特征：词频-倒排文档频率：TF-IDF 用户模型（ContentBasedProfile(c)）：机器学习方法，如决策树，贝叶斯分类，基于向量的表示方法 效应函数：u(c,s)=score(ContentBasedProfile(c),Contents(s))

8 商业性质网站（电影，书籍，商品） 协作性过滤推荐 组合推荐方法和基于知识本体 思想：找到与当前用户相似的用户
特点：推荐的自动性，广泛适应性（对推荐对象没有特殊要求），需要大量的用户访问历史数据 启发式方法 使用与新用户C相似的用户 对一个对象S的评价来预测S对新用户C的效应：计算用户间相似度，对所有与C相似的用户 对对象S的评分进行聚合分析技术 基于模型方法 将用户归类到一种模型下或者类型中，采用模型 有聚类，贝叶斯模型，机器学习 组合推荐方法和基于知识本体

9 新闻推荐 用户模型表示（特征表示） 推荐方法 加权主题表示法 用户书签表示法 关键词列表表示法 本体论表示法 用户浏览模式和访问模式
基于内容过滤的web推荐方法 基于规则 协作性过滤

10 语音推送系统做新闻推荐的相关想法 对象特征提取 用户模型 冷启动问题 热点推荐 （1）停留时间 （2）加权主题 （1）基于主题的推荐算法
（2）基于主题的协作性推荐算法 （3）基于块的协作性过滤算法 冷启动问题 热点推荐

11 下一步工作 继续研究新闻推荐相关的论文和算法 查找相关新闻语聊并搭建系统 论文修改