基本介紹
- 中文名：個性化推薦系統
- 外文名：Recommendation System
- 類型：推薦系統
發展歷程,基本框架,套用,
發展歷程
1995年3月，卡耐基.梅隆大學的Robert Armstrong等人在美國人工智慧協會上提出了個性化導航系統Web Watcher; 史丹福大學的Marko Balabanovic等人在同一會議上推出了個性化推薦系統LIRA；
1995年8月，麻省理工學院的Henry Lieberman在國際人工智慧聯合大會（IJCAI）上提出了個性化導航智慧型體Litizia；
1996年， Yahoo 推出了個性化入口My Yahoo；
1997年，AT&T實驗室提出了基於協同過濾的個性化推薦系統PHOAKS和Referral Web;
1999年，德國Dresden技術大學的Tanja Joerding實現了個性化電子商務原型系統TELLIM；
2000年，NEC研究院的Kurt等人為搜尋引擎CiteSeer增加了個性化推薦功能；
2001年，紐約大學的Gediminas Adoavicius和Alexander Tuzhilin實現了個性化電子商務網站的用戶建模系統1：1Pro；
2001年，IBM公司在其電子商務平台Websphere中增加了個性化功能，以便商家開發個性化電子商務網站；
2003年，Google開創了AdWards盈利模式，通過用戶搜尋的關鍵字來提供相關的廣告。AdWords的點擊率很高，是Google廣告收入的主要來源。2007年3月開始，Google為AdWords添加了個性化元素。不僅僅關注單次搜尋的關鍵字，而是對用戶近期的搜尋歷史進行記錄和分析，據此了解用戶的喜好和需求，更為精確地呈現相關的廣告內容。
2007年，雅虎推出了SmartAds廣告方案。雅虎掌握了海量的用戶信息，如用戶的性別、年齡、收入水平、地理位置以及生活方式等，再加上對用戶搜尋、瀏覽行為的記錄，使得雅虎可以為用戶呈現個性化的橫幅廣告。
2009年，Overstock（美國著名的網上零售商）開始運用ChoiceStream公司製作的個性化橫幅廣告方案，在一些高流量的網站上投放產品廣告。 Overstock在運行這項個性化橫幅廣告的初期就取得了驚人的成果，公司稱：“廣告的點擊率是以前的兩倍，伴隨而來的銷售增長也高達20%至30%。”
2009年7月，國內首個個性化推薦系統科研團隊北京百分點信息科技有限公司成立，該團隊專注於個性化推薦、推薦引擎技術與解決方案，在其個性化推薦引擎技術與數據平台上匯集了國內外百餘家知名電子商務網站與資訊類網站，並通過這些B2C網站每天為數以千萬計的消費者提供實時智慧型的商品推薦。
2011年8月，紐約大學個性化推薦系統團隊在杭州成立載言網路科技有限公司，在傳統協同濾波推薦引擎基礎上加入用戶社交信息和用戶的隱性反饋信息，包括網頁停留時間、產品頁瀏覽次數，滑鼠滑動，連結點擊等行為，輔助推薦，提出了迄今為止最為精準的基於社交網路的推薦算法。團隊專注於電商領域個性化推薦服務以及商品推薦服務社區——e推薦。
2011年9月，百度世界大會2011上，李彥宏將推薦引擎與雲計算、搜尋引擎並列為未來網際網路重要戰略規劃以及發展方向。百度新首頁將逐步實現個性化，智慧型地推薦出用戶喜歡的網站和經常使用的APP。
基本框架
個性化推薦系統的基本框架如下：
參考國內最具代表性的百分點推薦系統框架來講，個性化推薦系統的推薦引擎在個性化算法的框架基礎之上，還引入場景引擎、規則引擎和展示引擎，形成全新的百分點推薦引擎的技術框架，系統通過綜合併利用用戶的興趣偏好、屬性，商品的屬性、內容、分類，以及用戶之間的社交關係等等，挖掘用戶的喜好和需求，主動向用戶推薦其感興趣或者需要的商品。
百分點個性化推薦系統框架
基於雲計算的個性化推薦平台。消除數據孤島，建立基於用戶全網興趣偏好軌跡的精準雲計算分析模型，打通用戶在多個網站的興趣偏好，形成成用戶行為偏好大數據中心。
多種智慧型算法庫。基於多維度的數據挖掘、統計分析，進行算法模型的建立和調優。綜合利用基於內容、基於用戶行為和基於社交關係網路的多種算法，為用戶推薦其喜歡的商品、服務或內容。
套用
隨著推薦技術的研究和發展，其套用領域也越來越多。例如，新聞推薦、商務推薦、娛樂推薦、學習推薦、生活推薦、決策支持等。推薦方法的創新性、實用性、實時性、簡單性也越來越強。例如，上下文感知推薦、移動套用推薦、從服務推薦到套用推薦。下面分別分析幾種技術的特點及套用案例。
(一)新聞推薦
新聞推薦，包括傳統新聞、部落格、微博、RSS等新聞內容的推薦，一般有三個特點。
(1)新聞的item時效性很強，更新速度快。
(2)新聞領域裡的用戶更容易受流行和熱門的item影響。
(3)新聞領域推薦的另一個特點是新聞的展現問題。
(二)電子商務推薦
電子商務推薦算法可能會面臨各種難題，例如：①大型零售商有海量的數據，以千萬計的顧客，以及數以百萬計的登記在冊的商品；②實時反饋需求，在半秒之內，還要產生高質量的推薦；③新顧客的信息有限，只能以少量購買或產品評級為基礎；④老顧客信息豐富，以大量的購買和評級為基礎；⑤顧客數據不穩定，每次的興趣和關注內容差別較大，算法必須對新的需求及時回響。
解決電子商務推薦問題通常有三個途徑：協同過濾；聚類模型；基於搜尋的方法。
(三)娛樂推薦
音樂推薦系統的目標是基於用戶的音樂口味向終端用戶推送喜歡和可能喜歡但不了解的音樂。而音樂口味和音樂的參數設定是受著用戶群特徵和用戶個性特徵等不確定因素影響。例如年齡、性別、職業、音樂受教育程度等的分析是能幫助提升音樂推薦的準確度。部分因素可以通過使用類似FOAF的方法去獲得。
