1-3 推荐系统算法与应用.pdf

《1-3 推荐系统算法与应用.pdf》由会员分享，可在线阅读，更多相关《1-3 推荐系统算法与应用.pdf（49页珍藏版）》请在三个皮匠报告上搜索。

1、推荐系统算法报告人：连德富 教授邮箱：时间：2022年5月26日1中国科学技术大学 大数据分析与应用安徽省重点实验室（Anhui Province Key Laboratory of Big Data Analysis and Application,USTC）研究背景及意义2根据学生考试历史，分析知识掌握状况，针对性地推荐试题，可以提升学习效率超过10亿条商品超过2千万试题库 学生考试情况试题推荐海量题库海量商品库用户购买历史根据用户购物历史，分析用户兴趣偏好，个性化地推荐商品，可以满足用户需求商品推荐教育场景消费场景信息爆炸时代，信息过载日趋严重。个性化推荐是一种解决信息过载的主动信息过滤

2、技术，广泛应用于教育、医疗、消费、交通、旅游等场景中。研究背景及意义3个性化推荐是智能教育、智能商务等国家迫切需求的重要支撑2017年国务院关于印发新一代人工智能发展规划的通知指出：“（二）培育高端高效的智能经济。（二）培育高端高效的智能经济。个性化需求与定制成为消费新潮流个性化需求与定制成为消费新潮流”“智能智能商务商务 围绕个人需求提供定制化商务智能决策服务围绕个人需求提供定制化商务智能决策服务。”“（三）建设安全便捷的智能社会。围绕教育等迫切民生需求（三）建设安全便捷的智能社会。围绕教育等迫切民生需求，为公众提供个性化为公众提供个性化、多元化多元化、高品质服务高品质服务。”“智能教育智能

3、教育提供提供精准推送的教育服务精准推送的教育服务，实现日常教育和终身实现日常教育和终身教育定制化教育定制化。”推荐算法入选MIT技术评论十大突破性技术为互联网信息服务算法推荐立法研究背景及意义4个性化推荐具有重要经济价值和社会价值2016年网络视频点播公司Netflix通过推荐系统和个性化的用户体验，每年可以从取消的服务中节省了10亿美元2018年天猫双十一达成2135亿元交易，背后产生了453亿次AI个性化推荐，使消费者在海量商品中更容易找到真正需要的商品麦肯锡报告：亚马逊超过35%的营收来自于推荐引擎，线上推荐(on-site recommendation)的销售转化率高达60%得益于先进

4、的推荐算法，TikTok全球月活跃用户高达8亿，平均每位用户每天打开TikTok 8次，总停留时长为52分钟研究背景及意义5好友推荐广告推荐餐馆推荐商品推荐视频推荐音乐推荐新闻推荐应用推荐试题推荐论文推荐推荐系统已经普遍成为连接用户与资源的纽带推荐系统的发展历史6线性、人工经验、静态92Tapestry94Grouplens97Fab内容过滤协同过滤简单混合模型9800 01基于物品的协同过滤概率潜在语义分析简单混合模型0607 08SVD+timeSVD+最大间隔矩阵分解概率矩阵分解贝叶斯矩阵分解1112 1315 隐性反馈 BPR-MF|WRMF结合机器学习的混合模型分解机(FM)SVDF

5、eature,XGBoost13 1617 深度学习模型Wide&DeepDSSM,NFM,DIN,DeepFM,xDeepFMDIEN,Bert4Rec,TDM非线性、自动化、自适应推荐系统的常见数据7点击加入购物车加入收藏夹点评购买观看推荐系统的技术体系8曝光、点击购买、评分推荐正则物品召回推荐采样推荐损失推荐模型推荐算法线上服务模型压缩推荐数据推荐系统算法9推荐模型推荐损失推荐采样推荐正则推荐算法之模型介绍10神经编码器神经编码器偏好得分情境向量物品向量物品情境偏好得分物品神经网络 ,双塔模型无塔模型为向量相似度函数如內积、欧式距离等情境MFDMFVAECF推荐算法之模型介绍（双塔模型）

6、11物品序列用户特征社交网络知识图谱物品特征交互数据用户向量物品向量用户数据物品数据向量表征偏好预测预测偏好计算损失推荐算法之模型介绍（无塔模型）12交互数据预测偏好计算损失物品序列用户特征社交网络知识图谱物品特征用户数据物品数据特征交叉非线性映射推荐算法之损失介绍（Softmax 损失）13softmax神经网络神经网络情境推荐物品,=exp,=1exp,=logexp,=1exp,最小化负对数似然：取负对数 log 问题：的梯度和损失计算开销softmax分布推荐算法之损失（Sampled Softmax 损失）14神经网络神经网络情境推荐物品,=exp,exp,=logexp,exp,最