雅思学习网站推荐网站推荐系统猜你喜欢是怎

2019年05月15日 来源:

1 : 站推荐系统“猜你喜欢”是怎样猜中你心思的?

现在人们上购物都习惯了系统给出的猜你(还会)喜欢,有时候它好像比你自己都还要了解你。推荐系统究竟是怎样猜中你心思的呢?

(文/Joseph A. Konstan John Riedl)如今,到上购物的人已习惯了收到系统为他们做出的个性化推荐。Netflix 会推荐你可能会喜欢看的视频。TiVo 会自动把节目录下来,如果你感兴趣就能够看。Pandora 会通过预测我们想要听甚么歌曲从而生成个性化的音乐流。

所有这些推荐结果都来自于各式各样的推荐系统。它们依托计算机算法运行,根据顾客的阅读、搜索、下单和喜好,为顾客选择他们可能会喜欢、有可能会购买的商品,从而为消费者服务。推荐系统的设计初衷是帮助零售商提高销售额,现在这是1块儿范围巨大且不断增长的业务。与此同时,推荐系统的开发也已从上世纪 90 年代中期只有几10个人研究,发展到了今天具有数百名研究人员,分别供职于各高校、大型零售商和数10家专注于这类系统的其他企业。

这些年来,推荐系统有了相当的进展。开始时它们还相对较为粗糙,常常对行动做出不准确的预测;但随着更多的和不同类型的站用户数据变得可用,推荐系统得以将创新算法利用于这些数据之上,它们迅速得到了改进。今天,推荐系统都是些极为复杂和精专的系统,常常看起来比你自己还要了解你。同时,推荐系统正在向零售站之外的领域拓展:大学用它们来引导学生选课,移动公司靠它们来预测哪些用户有可能转投另外一家供应商,会议主办方也测试过用它们来分配论文给审稿专家。

我们两人从推荐系统的初期开始便1直在开发和研究它们,初是以学术研究者的身份,参与 GroupLens 计划(GroupLens Project)。1992 年起,GroupLens 通过对美国兴趣论坛站 Usenet 讨论区里的消息进行排序,将用户指向他们可能会感兴趣、但自己还没有发现的话题线索。几年以后,我们成立了 Net Perceptions,这是1家推荐算法公司,在互联第1次热潮期间(1997 年 - 2000 年),1直处于业界地位。有鉴于此,虽然这些公司极少公然谈论他们的推荐系统是如何运作的,我们的经验使我们能够深入了解亚马逊和其他零售商幕后的情形。(在本文中,我们的分析是在视察和推理的基础上得出的,不包括任何内部消息)。

下面就是我们所看到的。

推荐算法是怎样猜你喜欢的?

来源:

你有没有想过自己在亚马逊眼中是甚么模样?答案是:你是1个很大、很大的表格里1串很长的数字。这串数字描述了你所看过的每样东西,你点击的每个链接和你在亚马逊站上买的每件商品;表格里的其余部份则代表了其他数百万到亚马逊购物的人。你每次登陆站,你的数字就会产生改变;在此期间,你在站上每动1下,这个数字就会随着改变。这个信息又会反过来影响你在访问的每一个页面上会看到什么,还有你会从亚马逊公司收到甚么邮件和优惠信息。

许多年来,推荐系统的开发者试过用各种各样的方法来搜集和解析所有这些数据。近这段时间,多数人都选择使用被称为个性化协同推荐(Personalized Collaborative Recommender)的算法。这也是亚马逊、Netflix、Facebook 的好友推荐,和1家英国流行音乐站 的核心算法。说它 个性化,是由于这类算法会追踪用户的每个行动(如浏览过的页面、定单记录和商品评分),以此进行推荐;它们可不是瞎猫碰上死耗子全凭运气。说它 协同,则是由于这类算法会根据许多其他的顾客也购买了这些商品或对其显示出好感,而将两样物品视为彼此关联,它不是通过分析商品特点或关键词来进行判断的。

不同类型的个性化协同推荐系统晚从 1992 年开始便已出现。除 GroupLens 计划,另外一项初期的推荐系统是 MIT 的 Ringo,它会根据用户的音乐播放列表从而给用户推荐其他他们有可能会喜欢的音乐。

User-User 算法:计算用户之间的类似度

GroupLens 和 Ringo 都使用了1种简单的协同算法,被称为 用户关联(user-user)的算法。这类类型的算法会计算1对用户之间的 距离,根据的是他们对同1物品打分的类似程度。举例来讲,如果吉姆和简都给《电子世界争霸战》(Tron)这部电影打了 5 分,那么他们之间的距离就是 0。如果吉姆给它的续集《创:战纪》(Tron: Legacy )这部电影打了 5 分,而简只打了 3 分,那末他们之间的距离就变大了。依照这样的计算得出来品味相对 靠近 的用户,我们把他们称之为共有1个 邻集(neighborhood)。

但是,这类用户关联的策略效果其实不是很好。首先,构成成心义的邻集很难:很多用户两两之间只有很少几个共同评分,有的就完全没有;而的那几个都打了分的项目呢,常常是票房大片,基本上人人都喜欢的那种。再来,由于用户之间的距离可以变得很快,算法必须当场就进行大部份的计算;而这可能会比1个在站上这儿点点那儿戳戳的人下1个动作发出之前需要更久的时间。

Item-Item 算法:计算物品之间的关联

因此,大部分的推荐系统如今都依托1种物-物关联(item-item)的算法,这类算法计算的是两本书、两部电影或两个其他什么东西之间的距离,根据的是给它们打过分的用户的类似度。喜欢 Tom Clancy 书的人极可能会给 Clive Cussler 的作品打高分,因此 Clancy 和 Cussler 的书就共处1个邻集。1对物品之间的距离多是根据成百上千万的用户的评分计算得出,在1段时间里常常保持相对稳定,因此推荐系统可以预先计算距离,并更快的生成推荐结果。亚马逊和 Netflix 都曾公然表示过他们使用的是物-物关联算法的变种,但对细节都绝口不提。

用户关联算法和物-物关联算法都有的1个问题,是用户评分的不1致性。当给他们机会再评1次分时,用户常常会对同1件物品给出不同的得分。品味在变、心情在变,印象也在变。MIT 在上世纪 90 年代进行的1项研究表明,在初打分1年以后,用户的评分会产生平均 1 分(满分 7 分)的变动。研究人员们也在1直在尝试不同的方法在模型中纳入这1变量;比如说,如果用户给某个商品了打1个分,但这个评分与推荐算法所了解的关于这个人和这个商品的所有其他信息不符合,有的推荐算法就会约请用户再次对这个商品进行评价。

降维算法:把事物特点1般化

不过,用户关联算法和物-物关联算法还存在1个比1致性更大的问题:它们太死了。就是说,它们能发现都喜欢同1样东西的人,但却忽视了爱好非常类似的潜伏用户组合。比如说你喜欢莫奈的睡莲。那么,在这个法国印象派大师画的 250 幅睡莲中,你喜欢哪1幅?在1群喜欢莫奈的人当中,完全可能每一个人喜欢的睡莲都不相同,而基本的算法就有可能辨认不出这些人都有着共同的爱好。

大约10年前,研究者们想出了1个办法,通过1个叫降维(Dimensionality Reduction)的进程,把事物更1般化的表现出来。这类方法在计算量上比用户关联和物-物关联算法要密集很多,因此也就没有那末快的得到采取。但随着计算机变更快更便宜,降维算法也逐渐获得了1些进展。

为了弄清降维算法是怎样工作的,我们来看看你爱吃的东西,和如何把它跟其他1百万人爱吃的东西做比较。你可以把这些信息用1个巨型矩阵表示出来,每条竖线代表1样食品,每一个人爱吃什么东西就自然构成了1行。在你的这1行上面也许会显示你给了烤牛排 5 颗星、红烧小排 4 星半、烤鸡翅 2 颗星、冻豆腐卷 1 颗星、奶酪烤蘑菇 5 颗星、盐水毛豆 4 颗星,等等。

但是,使用这个矩阵的推荐算法其实不关心你给哪一种食品评了多少颗星。它想要了解的是你1般而言的喜好,这样它可以将这个信息利用到更丰富多样的食品上。比如说,基于你上面给出的信息,算法可能会认为你喜欢牛肉、咸的东西和烤制菜品,不喜欢鸡肉和任何油炸的东西,不喜欢也不讨厌蔬菜,依此类推。你爱吃的食品所具有的特点或说维度,它的数量和符合你要求的食品的数量比起来要小很多多可能 50 或 100。通过查对这些维度,推荐算法可以迅速决定你是否是会喜欢1种新的食品(比方说盐焗排骨),方法就是把这类食品的各项维度(咸的、牛肉做的、不是鸡肉、不是炒的、不是蔬菜、不是烤的)同你的资料进行比对。这类更加1般性的显现使得推荐算法能准确的发现有着类似但不同喜好的用户。而且,它大幅紧缩了矩阵的范围,使算法变得更加高效。

这是1个很酷的解决方案。不过,你爱吃的食品的维度该上哪儿去找呢?肯定不是去问厨师。推荐系统会使用1种称为奇特值分解的数学方法来计算维度。这类方法触及到把初的1个巨型矩阵分解为两个 口味矩阵其中1个包括了所有的用户和 100 项口味维度,另外一个则包括了所有的食品和 100 项口味维度再加上第3个矩阵,当乘之前面两个矩阵中的任意1个时,会得到初的那个矩阵(※此处已更改)。

不像上面例子中说的那样,计算用的维度既不是描述性的,也1点儿都不直观;它们是纯抽象的值。这并没有甚么,只要这些值终究生成准确的推荐结果就好了。这类方法的主要缺点是,创建矩阵所需要的时间会随着客户和产品数量的增多而飞速增长创建1个具有 2.5 亿名客户和 1000 万种产品的矩阵,需要花上创建1个 25 万名客户和 1 万种产品的矩阵 10 亿倍那末多的时间。而且这1进程还需要常常重复。1旦收到新的评分,矩阵就已过时;在像亚马逊这样的公司,每秒钟都会收到新的评论。荣幸的是,就算稍微过时,矩阵依然能以1个挺不错的水平运作。研究人员们也已在设计新的算法,为奇特值分解提供可用的近似值并显著缩短计算时间。

Joseph A. Konstan 和 John Riedl 都是美国明尼苏达大学的计算机科学教授。身为 IEEE 高级会员的 Konstan 和 IEEE 会士的 Riedl 参与创建了 MovieLens 推荐系统。在接下来的文章里面,两位作者将继续介绍, 推荐算法不会向你推荐的是什么 。

更正说明: 文章发布之初,倒数第2自然段有关奇特值分解的内容表述有误,现已更改,特此说明。(2012⑴1⑴3)

编译自:《IEEE科技纵览》Deconstructing Recommender Systems

文章图片:ieee.

2 : 推荐新手学习站运营的好地方

互联是1个开放的时期,做站不需要高超的技术,不需要庞大的资金链。1条域名,1个空间,再加1个开源的程序,站就能够出炉了。固然也需要适当的优化及修改程序,避免雷同。其实对新手来讲,学好如何运营1个站,才是关键的。笔者总结自己常去学习的1些站长博客及站分享给新手站长:

1、学习运营之好地方

a5站长

中国站长站

落伍者

以上都是1些站长站,综合类信息比较多,适合新手大量吸取知识及学习。

2、学习推行之好地方

牟长青的站推行博客

江礼坤的博客

推1把及推1把论坛

个人感觉他们的推行实战实验还是很多,非常值得新手去学习,老手去鉴戒。如果新手做站,运营方面有问题,也能够去推1把论坛询问,让大家都来帮你诊断,究竟问题在哪里?应当如何去改进?以求做到。

3、学习SEO之好地方

SEO研究中心

SEO10万个为什么

对第2个,笔者不常去,但是知识量还是很大的,上面的是笔者近常去学习SEO的好地方,他们团队是专门研究SEO工作的,培训出来的学员都是很吃香的。我的站曾向他们诊断过,发现他们是很乐于帮助1些新手解决问题。

4、学习软文之地方

老谢软文

软文近几年来,愈来愈深受站长的欢迎,由于它的传播性很强,可以不断地获得高质量外链,从而快速提升站排名。笔者看到有很多有关软文研究的站及博客,但是做到专而红的,还是占于少数。这里推荐新手写软文,多去看看老谢软文,也许能让你妙想联珠,发觉软文其实不是你想象中的那么难!

站重要莫过于运营、推行、SEO,笔者建议新手运营站遇到问题的时候,不要总顾着面子问题,也不需要谦虚,不断地去问,这样才能不断地进步!

作者:牛牛

文章转载请注明: 1起创业

3 : 从怒剑学习“男性站”的定位以后的特点构思

其实做站不难,难在有特点的定位做站,定位好其实不代表着你成功了,由于定位可大可小,极有可能会产生撞位,所以在类似的定位之上做特点站显得更难了。

做站是破土,定位是方向,特点是活力。有特点才能粘住用户的心。

目前络市场上,女性站,有很多,比如瑞丽女性,Only Lady,红女人等等。但是如果叫你举1个男性站,你怕知之甚少,如果叫你举1个有特点的中国男性站,你更是愕然。很奇怪的是为什么女性站这么多,但男性站却少呢。我个人认为,很多站长认为女性站更容易商业运作,由于现在是1个食色时期。此言差矣。真正有品牌的男性站,很有前程的。那要看怎样做?

怒剑,就是1个非常不错的中国第1男性站,这个站从制作到细节的精致优化,都狠下工夫,大家可以现在去看看,大家1看站名怒剑2字就知道,这个站特别男性化的,定位不错,但是如何做出自己的特点呢?怒剑构思灵感特别有创意,他们捉住了热血2字。别小视这热血2字,由于这2字更能本质揭穿男人性情和心理的特点。

其实热血本身是很模糊的1个概念,如何做出合适男人的用户体验,让民对怒剑过目不忘,这就要见站长建站构思的功力了。

怒剑男性热血特点是这样的:

1 围绕男人讲真话来打造主题和营建男性定位气氛!力抓男人的真,1言9鼎敢说真话的心。不娇柔造作,不假模假样,不假文酸醋。才是这个社会需要的男人。

2 打造有思想的男人,男人敢讲惊人话,语不惊人枉为男。这是考验男人的智慧。在我们这个社会上,1个没有观点和想法的男人,是很难生存的。在怒剑你会看到无处不在另类男人。

3 打造大男人形象,激起男人的正义感,中国男人,1直就有路见不平习性,怒剑话题,都围着这个核心做站,男人纳求真相,真语救国,方显男人的英雄之气。真实的男人,是怒剑不平,拔刀相助,即便手上没有刀,也要真语救国,否则妄为男人

4 不躲避男性敏感需求心理,却能奇妙变得很有品味,怒剑讲求君子爱色,取色有道。不看美女的男人,不是男人,不尊重女人的男人,不是男人,好色是男人的天性,但真实的男人好色,要色心正,行动端,所谓男人好色,该看哪时,就看哪,才是男人色之境地。我想这可能也是很多男性站难做的,难获比较好用户体验的缘由之所在,但怒剑的处理非常不错。

我想只有捉住了男性站根本的特点,捉住用户心理,贴近男性心理的站,才能真正取得男性站案例的成功。

怒剑努力从男性站中脱颖而出,能成中国男性站彪悍领头羚吗?我相信,通过不断的努力,1定会成功的。

4 : 推荐8个超棒的学习 jQuery 的站

根据国外科技站 W3Techs 1项调查了近100万个站数据显示,jQuery是目前的 JavaScript 库。对初学者来说,有的时候很难找到1个好的学习jQuery的站,所以本文搜集了8个很棒的 jQuery 学习站推荐给大家。

1. Learning jQuery

的 jQuery 资源博客之1,从 jQuery 高手那里取得宝贵的经验。

2. jQuery Mix

1个内容非常丰富的站,有关 jQuery 的各种各样的信息。

3. jQuery for Designers

非常棒的1个 jQuery 资源和教程站,帮助你成长为 jQuery 高手。

4. 15 Days of jQuery

这个站虽然更新不定时,你仍然可以从他们的文章中学到很多东西。

5. jQuery4u

jQuery4U 是另外1个有关 jQuery 资源、技能和发展趋势的博客。

6. jQuery King

jQuery King 让你学习 jQuery 更容易、更有趣。

7. jQFundamentals

这是1本书籍,介绍 jQuery 库的基本内容。

8. jQuery How To

这个站不是每天都更新,不过你可以从他们的教程中学到很多有用的技能。

(编译来源:梦想天空 原文来自:8 Great Websites to Learn Step-by-Step jQuery)

人流后恢复要多久
外阴瘙痒用什么好
什么原因导致白带增多
相关文章
  • 秣陵拉式排查安全隐患
    秣陵拉式排查安全隐患

    秣陵街道结合迎亚青百日安全质量集中整治行动,共设立13个专项工作组,分别对燃气、加油站、建筑施工、道路交通、企业、学校、水利工程、食品药品等领域全面开展安全检查,明确整改、时限,消除安全监管盲区。《入户安全台账》要放在显眼位置,地窗大小...

  • 2005年8月15日8月21日安全生产的
    2005年8月15日8月21日安全生产的

    2005年8月15日-8月21日安全生产的主要特点(一)全国重大事故下降(二)煤矿事故上升,并且发生特大透水事故本周煤矿发生事故45起,死亡56人,同比增加18起、10人;本周吉林舒兰矿务局丰广煤矿五井发生透水事故,造成16人被困,这是今年以来吉林省继蛟河市腾达...

  • 大家此刻正聚精会神的看着什么还纷纷掏出一
    大家此刻正聚精会神的看着什么还纷纷掏出一

    [车市]2014年9月13日,斯巴鲁华东巡回试驾会上海地区活动在嘉兴国际会展中心正式拉开帷幕!以森林人、XV、BRZ为代表的主流车型悉数登场,喜爱斯巴鲁的车友们通过丰富的试乘试驾项目,零距离体验斯巴鲁车辆的卓越品质,尽情感受我行我路的完美驾乘体验。...

  • 巴萨盛典庆首夺欧冠20周年一线队携梦一队亮相
    巴萨盛典庆首夺欧冠20周年一线队携梦一队亮相

    易体育8月21道:巴萨与桑普多利亚的甘伯杯,与其说是一场比赛,倒不如说是一场联欢。在91/92赛季欧冠决赛中,巴萨正是在1比0小胜桑普多利亚之后,赢得了俱乐部史上欧冠奖杯。在比赛开始前,巴萨通过一个仪式致敬92欧冠夺冠功臣们。随后一队集体亮相,亚...

  • 解放军四总部电慰舟曲救援部队
    解放军四总部电慰舟曲救援部队

    新华北京8月16日电 解放军总参谋部、总政治部、总后勤部、总装备部16日联合发出慰问电,向参加舟曲抢险救援部队全体官兵和民兵预备役人员表示亲切慰问,并致以崇高的敬意。四总部的慰问电说,8月8日,甘肃省甘南藏族自治州舟曲县发生特大山洪泥石流灾害,...

  • 武汉出台应急处置预案备战中高考食品安全保障
    武汉出台应急处置预案备战中高考食品安全保障

    荆楚消息( 冯梓晔)“各区将重点对考生食宿接待点、考点周边食品经营单位、学校集体用餐配送单位开展考前隐患排查。”高考、中考在即,武汉市出台《2015年普通高等学校和高级中等学校招生考试工作重大食品安全事故应急处置预案》,全面备战高、中考食品...