智能采集组合文章(个性化推荐系统就是解决这一矛盾的重要工具(组图))

　　智能采集组合文章(个性化推荐系统就是解决这一矛盾的重要工具(组图))

　　随着信息技术和互联网的发展，人们从信息匮乏的时代逐渐进入信息过载的时代。在这个时代，无论是信息消费者还是信息生产者都面临着巨大的挑战：对于信息消费者来说，从大量的信息中很难找到自己感兴趣的信息；对于信息生产者来说，让自己生产的信息脱颖而出，吸引广大用户的关注，也是一件非常困难的事情。个性化推荐系统是解决这一矛盾的重要工具。推荐系统的任务是联系用户和信息，一方面帮助用户发现对自己有价值的信息，

　　一、推荐系统概念和正式定义

　　互联网规模和覆盖面的快速增长带来了信息过载的问题：过多信息的同时呈现，使得用户无法从中获取有用的部分，反而降低了信息的使用效率。作为信息过滤的重要手段，推荐系统是解决信息过载问题的一种很有潜力的方法。推荐还研究用户模型和用户偏好，并基于社交网络进行个性化计算。一个高质量的推荐系统会让用户对系统产生依赖。

　　目前被广泛引用的推荐系统的非正式概念是 Resnick 和 Varian 在 1997 年给出的：“它利用电子商务网站 向客户提供产品信息和建议，帮助用户决定应该购买哪些产品。，模拟销售人员帮助客户完成购买过程。” 推荐收录三个组成部分：推荐候选、用户和推荐方法。用户可以主动向推荐系统提供个人偏好。

　　好的信息或推荐请求，或用户不提供，但推荐系统主动采集。推荐系统可以采用不同的推荐策略进行推荐，例如计算采集得到的个性化信息和对象数据得到推荐结果，或者直接基于建模的知识库。推荐系统将推荐结果返回给用户使用。

　　二、现有推荐算法

　　推荐算法是整个推荐系统的核心和关键部分，很大程度上决定了推荐系统的类型和性能。目前推荐系统的分类还没有统一的标准，很多学者从不同的角度对推荐方法进行了划分。但主流的推荐方法基本上包括以下几种：基于内容的推荐、协同过滤推荐、基于知识的推荐和组合推荐。

　　1、基于内容的推荐

　　基于内容的推荐是指根据用户选择的对象推荐具有相似属性的其他对象作为推荐，属于Schafer分类的方法。无需依赖用户对对象的评价。用特征提取方法得到的对象内容特征来表示对象，系统根据用户评价的对象的特征来学习用户的兴趣，从而检验用户数据与物品的匹配程度被预测。

　　2、协同过滤推荐

　　协同过滤推荐技术是推荐系统中最成功的技术之一。个性化推荐 大量论文和研究属于这一类。它的基本思想很容易理解。在日常生活中，我们经常利用好朋友的推荐来做一些选择。协同过滤就是将这一思想应用到推荐系统中，即根据其他用户对某个内容的评价，向目标用户推荐。基于协同过滤的推送

　　推荐系统可以说是从用户的角度进行推荐，是自动的，也就是说，用户获得的推荐是系统从用户的购买或浏览行为中隐式获得的，不需要用户主动为他寻找合适的人。感兴趣的推荐信息，比如填写一些调查表等。另一个优点是对推荐对象没有特殊要求（而基于内容的推荐需要对推荐对象进行特征分析），可以处理非结构化和复杂的对象，如音乐、电影等。

　　3、基于知识的建议

　　个性化推荐（/）可以看作是一种推N（infe