Top-N推荐算法 Top-N recommendation Algorithms

合集 - 推荐系统-论文(39)

1.【读论文】-- 推荐系统研究综述2024-04-102.基于内容的电影推荐算法研究2024-04-113.基于融合语义信息改进的内容推荐算法。Improved content recommendation algorithm integrating semantic information2024-04-084.基于项目的协同过滤推荐算法(Item-Based Collaborative Filtering Recommendation Algorithms)2024-04-075.什么是注意力机制？2024-04-076.推荐系统-协同过滤2024-04-077.基于矩阵分解的协同过滤算法2024-04-118.读论文-序列感知推荐系统(Sequence-Aware Recommender Systems)2024-04-119.读论文-新闻推荐系统：近期进展、挑战与机遇的评述(News recommender system_ a review of recent progress, challenges, and opportunities)2024-04-1110.基于自注意力机制的轻量级人体姿态估计(Lightweight Human Pose Estimation Based on Self-Attention Mechanism)2024-04-1111.基于注意力机制与改进TF-IDF的推荐算法2024-04-1112.基于正则化的图自编码器在推荐算法中的应用 Application of graph auto-encoders based on regularization in recommendation algorithms2024-04-1113.用余弦相似度修正评分的协同过滤推荐算法2024-04-1114.基于标签值分布的强化学习推荐算法(Reinforcement Learning Recommendation Algorithm Based on Label Value Distribution)2024-04-1115.读论文-一种改进的协同过滤的商品推荐方法2024-04-1116.读论文-基于用户长短期偏好的序列推荐模型2024-04-1117.读论文-顺序推荐系统_挑战、进展和前景(Sequential recommender systems_ challenges, progress and prospects)2024-04-1118.读论文-基于自监督学习的序列推荐算法2024-04-1119.读论文-基于注意力机制的对抗性协同过滤推荐算法2024-04-1120.读论文-基于序列模式的电子商务推荐系统综述(A Survey of Sequential Pattern Based E-Commerce Recommendation Systems)2024-04-1121.读论文-基于会话的推荐系统综述(A survey on session-based recommender systems)2024-04-1122.读论文-基于序列_会话的推荐_挑战，方法，应用和机遇(Sequential_Session-based Recommendations_ Challenges, Approaches, Applications and Opportunities)2024-04-1123.读论文-基于图神经网络的会话推荐方法综述2024-04-1124.读论文-基于Python的协同过滤算法的研究与应用实现2024-04-1125.读论文-基于协同过滤的个性化电影推荐系统2024-04-1126.读论文-协同过滤技术综述(A Survey of Collaborative Filtering Techniques)2024-04-1127.读论文-基于注意力机制的浅层图像隐写分析模型2024-04-1128.读论文-基于会话的推荐系统研究2024-04-1129.【论文随笔】推荐系统综述_推荐模型、推荐技术与应用领域(A Survey of Recommendation Systems_ Recommendation Models, Techniques, and Application Fields)2024-04-1130.【论文随笔】深度推荐系统的自动化_一项调查(Automl for deep recommender systems_ A survey)2024-04-1131.读论文-基于自注意力机制和迁移学习的跨领域推荐算法2024-04-1132.读论文-基于会话的推荐方法综述2024-04-1133.【论文随笔】基于会话的推荐系统构建方法调查(Survey On Methods For Building Session-Based Recommender Systems)2024-04-1134.【论文随笔】会话推荐系统综述(A Survey on Conversational Recommender Systems)2024-04-1135.【论文随笔】多行为序列Transformer推荐(Multi-Behavior Sequential Transformer Recommender)2024-04-1136.读论文-电子商务产品推荐的序列推荐系统综述与分类(A Survey and Taxonomy of Sequential Recommender Systems for E-commerce Product Recommendation)2024-04-1137.传统Item-Based协同过滤推荐算法改进2024-04-1138.补充：基于项目的协同过滤推荐算法(Item-Based Collaborative Filtering Recommendation Algorithms)2024-04-11

39.Top-N推荐算法 Top-N recommendation Algorithms2024-04-11

收起

引言

推荐算法是计算机专业中的一种算法，通过一些计算，能够推测用户喜欢的东西，在互联网环境中应用比较广泛。Top-N算法在生活中非常常见，比如学术论文推荐论文、音乐软件推荐歌曲等。

今天看到一篇名叫"A Revisiting Study of Appropriate Offline Evaluation for Top-N Recommendation Algorithms"的文章，文章发表于2022年12月21日，收录于ACM Transactions on Information Systems(美国计算机学会信息系统学报)，今天试着只从摘要的角度谈谈自己对于推荐算法的一些看法以及一些心得。

推荐算法简介

推荐算法最早出自于1995年三月的美国人工智能协会上，当时叫做“个性化推荐概念”。

推荐算法的研究起源于20世纪90年代，他们做的第一个结果是Movielens电影推荐系统。

推荐算法分类

推荐算法可以分为基于内容、基于协同、基于关联规则、基于效用、基于知识和组合推荐。

基于内容的推荐

是信息过滤技术的延伸，依据内容信息进行推荐，而不是根据用户对项目的评价意见，更多的需要使用机器学习方法进行算法训练；

基于协同过滤的推荐

基于协同过滤的推荐算法是推荐中最早应用最成功的技术之一，一般采用最近领技术，利用用户的喜好以及用户之间的相似度来进行推荐，即认为，相似的用户拥有相近的兴趣爱好。而Top-N推荐算法是一种基于协同过滤算法的推荐算法。

基于关联规则的推荐

以关联规则为基础是以关联规则为基础，把已购商品作为规则头，规则体位推荐对象，关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中获得成功；

基于效用的推荐

基于效用的推荐算法是建立在用户使用项目的效用上进行的，其核心是为每个用户创建一个效用函数。

基于知识的推荐

基于知识的推荐在某种程度上可以看做是一种推理技术。

组合的推荐

在实际项目应用中，经常使用组合推荐，研究最多的是内容推荐和协同过滤推荐的组合。

A Revisiting Study of Appropriate Offline Evaluation for Top-N Recommendation Algorithms 对Top-N推荐算法离线评价的再研究

本文章发表于2022年12月21日，收录于ACM Transactions on Information Systems(美国计算机学会信息系统学报)

本文将卷积神经网络（CNN）和注意力模型结合起来，设计了一种基于神经网络框架的推荐算法，通过文本卷积网络转化输入层为静态通道和非静态通道，并使用自注意力系统提高数据处理和特征提取的准确性。

推荐算法结合CNN和注意力系统，并将嵌入层分为用户信息特征嵌入额数据名称特征提取嵌入。

本文所提出的推荐算法改正了传统的推荐算法准确性不高，多样性不足以及性能较低的缺点，实验结果表明，算法具有卓越的准确性和健壮性。

个人心得

我们生活中有太多太多的推荐算法的实现实例，比如听歌软件的推荐歌曲，在网络购物平台上购物时有商品推荐，在短视频平台有视频推荐，在社交软件有用户推荐等等。

可以看出，推荐算法在我们生活中随处可见，但是推荐的准确度却有待商榷。比如在我们听歌的时候，听歌软件会推荐一些歌曲，但是推荐的歌曲不一定满足我们的要求，在推荐算法这方面还有很大的进步空间。

推荐算法一定会越来越准确，在未来，针对不同的用户，不同的场景所开发出的各种各样的推荐模型会更好的地服务于每一个人。