本文首先介绍基于会话的推荐的提出动机和背景,
然后说明其与序列推荐的区别,
并给出会话推荐的子领域
和目前使用的各种方法的分类框架,
最后提出当前领域下的未来展望。
—— 五行诗
推荐系统可以帮助用户找到感兴趣的相关项目。在一般的推荐系统里,通常利用用户和物品的所有历史交互(interaction)来学习用户对物品的长期的、静态的偏好。这样的操作其实隐含了一种假设:所有历史的交互信息对预测用户当前偏好而言都是同等重要的。
但是这种假设在实际场景中不太正确,因为:
因此为了弥补这些差距,基于会话的推荐(Session-based Recommender Systems, SBRS)在近年被提出。SBRS以每个会话(session)做为基本的输入单元,能够捕捉到用户的短期的偏好和会话间的兴趣转移反映出的动态的偏好,从而提高推荐的准确性和及时性。
广义的SBRS可能有以下子领域:
而狭义的SBRS就是指第一种。(基于当前session, 预测 next interaction)
(歧义:session间:是指一个session内部,还是会话与会话间?是后者,但要说明)
序列推荐(Sequential Recommendation Systems)是基于序列数据(sequence data)做出的推荐,而会话推荐是基于会话数据(session data)。二者非常相关,在表面上也很相似,因此会造成许多混淆。
首先给出会话数据和序列数据的定义:
有边界,就暗示了物品间有在某一段时间内共同出现的依赖(co-occurrence-based dependencies。这种共同出现的依赖就构成了SBRS的基础。(特别是当会话内的物品是无序时。)(eg: next-bastket推荐?对,可以视为是SBRS子领域)
在各个SBRS模型的实验部分,就有把用户-物品交互序列分割成各会话的操作描述。通常是通过指定一个time interval thredhold(eg:30分钟/ 8小时)。如果超过这个阈值,用户仍没有新的活动,则将之前的交互划分成一个session。
现在,我们可以区分基于会话的推荐和序列推荐:
我们容易对会话推荐和序列推荐感到混淆,是因为现在SBRS研究很多都是基于有序会话,预测下一个交互(比较下面表格的第二行和第三行)。
区分的本质就是:是否利用了co-occurrence-based 依赖
Session-based Recommendation System(SBRM)基于会话的推荐算法可分为三大类:
本文先详细介绍第一类Conventional SBRS approaches。 在推荐里,早期传统的方法通常采用数据挖掘,机器学习等技巧来捕捉序列数据中的相关依赖,其中包括知名的的Item-KNN, FPMC等常用于比较的baselines模型。理解这部分内容对入门有很大的帮助。下面将详细介绍四类传统的推荐算法
包括两种算法:
分为三步: ——评价:应该主要先介绍思想,而非介绍算法步骤。从整体上进行概括。
(1)找出频繁项集和关联规则
在所有的session(认为是user-item的交互序列)里,首先发现满足最小值尺度阈值的所有项集,这些项集称作频繁项集FP //计算P(AB)
频繁项集中满足最小置信度要求的,称为关联规则(Association Rule)//计算P(B|A)
(2)生成候选物品: 对物品集里的item ,若和当前session里的item,一起构成FP,则前者就可以放入
candidate item里
(3)生成推荐物品:对于candidate item,若其FP满足置信度的要求(是assostion rule),则可将其添加至recommendation list
评论:可以看到这种方法对session没有必须是有序的要求,但也没有考虑到序列性。说白了,只能计算共现概率。得到的关联规则,只能解释为这两个物品一起买的概率高。
序列模式挖掘考虑到了序列性。根据最后一个购买行为(session),推荐出现在序列模式里的以这个session为起始的后一个session的物品(作为候选物品)。
序列模式挖掘和上述频繁项集挖掘的输入有所不同:序列集合VS物品集合
序列模式挖掘的输入是这样的数据:一行的数据是一个用户的所有session
频繁项集挖掘是输入的数据是这样:一行就是一个session。可能第1,2,3行都是来自同一用户的(不考虑用户)。虽然输入有序,但推荐时未考虑项之间的顺序,只考虑共现。
可见,若用户的每个session的长度都是1的话,序列模式挖掘可视为频繁项集挖掘。
序列挖掘步骤:和关联规则挖掘差不多,相当于把元素从一个物体变成了一个序列。仅此而已
(1)序列模式挖掘
(2)序列匹配
(3)生成推荐:候选物品:在挖掘到的序列规则里,与最末序列匹配的后一个序列里的物品。再为每个物品计算置信度。
文章浏览阅读3.2k次。本文研究全球与中国市场分布式光纤传感器的发展现状及未来发展趋势,分别从生产和消费的角度分析分布式光纤传感器的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。主要生产商包括:FISO TechnologiesBrugg KabelSensor HighwayOmnisensAFL GlobalQinetiQ GroupLockheed MartinOSENSA Innovati_预计2026年中国分布式传感器市场规模有多大
文章浏览阅读1.1k次,点赞2次,收藏12次。常用组合逻辑电路结构——为IC设计的延时估计铺垫学习目的:估计模块间的delay,确保写的代码的timing 综合能给到多少HZ,以满足需求!_基4布斯算法代码
文章浏览阅读3.3k次,点赞3次,收藏5次。OpenAI Manager助手(基于SpringBoot和Vue)_chatgpt网页版
文章浏览阅读2.2k次。USACO自1992年举办,到目前为止已经举办了27届,目的是为了帮助美国信息学国家队选拔IOI的队员,目前逐渐发展为全球热门的线上赛事,成为美国大学申请条件下,含金量相当高的官方竞赛。USACO的比赛成绩可以助力计算机专业留学,越来越多的学生进入了康奈尔,麻省理工,普林斯顿,哈佛和耶鲁等大学,这些同学的共同点是他们都参加了美国计算机科学竞赛(USACO),并且取得过非常好的成绩。适合参赛人群USACO适合国内在读学生有意向申请美国大学的或者想锻炼自己编程能力的同学,高三学生也可以参加12月的第_usaco可以多次提交吗
文章浏览阅读394次。1.1 存储程序1.2 创建存储过程1.3 创建自定义函数1.3.1 示例1.4 自定义函数和存储过程的区别1.5 变量的使用1.6 定义条件和处理程序1.6.1 定义条件1.6.1.1 示例1.6.2 定义处理程序1.6.2.1 示例1.7 光标的使用1.7.1 声明光标1.7.2 打开光标1.7.3 使用光标1.7.4 关闭光标1.8 流程控制的使用1.8.1 IF语句1.8.2 CASE语句1.8.3 LOOP语句1.8.4 LEAVE语句1.8.5 ITERATE语句1.8.6 REPEAT语句。_mysql自定义函数和存储过程
文章浏览阅读188次。半导体二极管——集成电路最小组成单元。_本征半导体电流为0
文章浏览阅读2.8k次,点赞3次,收藏18次。游戏水面特效实现方式太多。咱们这边介绍的是一最简单的UV动画(无顶点位移),整个mesh由4个顶点构成。实现了水面效果(左图),不动代码稍微修改下参数和贴图可以实现岩浆效果(右图)。有要思路是1,uv按时间去做正弦波移动2,在1的基础上加个凹凸图混合uv3,在1、2的基础上加个水流方向4,加上对雾效的支持,如没必要请自行删除雾效代码(把包含fog的几行代码删除)S..._unity 岩浆shader
文章浏览阅读5k次。广义线性模型是线性模型的扩展,它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为:其中g(μY)是条件均值的函数(称为连接函数)。另外,你可放松Y为正态分布的假设,改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后,便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下,线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。但是,有时候我们要进行非正态因变量的分析,例如:(1)类别型.._广义线性回归模型
文章浏览阅读69次。环境保护、 保护地球、 校园环保、垃圾分类、绿色家园、等网站的设计与制作。 总结了一些学生网页制作的经验:一般的网页需要融入以下知识点:div+css布局、浮动、定位、高级css、表格、表单及验证、js轮播图、音频 视频 Flash的应用、ul li、下拉导航栏、鼠标划过效果等知识点,网页的风格主题也很全面:如爱好、风景、校园、美食、动漫、游戏、咖啡、音乐、家乡、电影、名人、商城以及个人主页等主题,学生、新手可参考下方页面的布局和设计和HTML源码(有用点赞△) 一套A+的网_垃圾分类网页设计目标怎么写
文章浏览阅读614次,点赞7次,收藏11次。之前找到一个修改 exe 中 DLL地址 的方法, 不太好使,虽然能正确启动, 但无法改变 exe 的工作目录,这就影响了.Net 中很多获取 exe 执行目录来拼接的地址 ( 相对路径 ),比如 wwwroot 和 代码中相对目录还有一些复制到目录的普通文件 等等,它们的地址都会指向原来 exe 的目录, 而不是自定义的 “lib” 目录,根本原因就是没有修改 exe 的工作目录这次来搞一个启动程序,把 .net 的所有东西都放在一个文件夹,在文件夹同级的目录制作一个 exe._.net dll 全局目录
文章浏览阅读1.5k次。本文为转载,原博客地址:http://blog.csdn.net/hujingshuang/article/details/46910259简介 BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出,BRIEF是对已检测到的特征点进行描述,它是一种二进制编码的描述子,摈弃了利用区域灰度..._breif description calculation 特征点
文章浏览阅读4.1k次,点赞21次,收藏79次。本文是《基于SpringBoot的房屋租赁管理系统》的配套原创说明文档,可以给应届毕业生提供格式撰写参考,也可以给开发类似系统的朋友们提供功能业务设计思路。_基于spring boot的房屋租赁系统论文