论文部分内容阅读
摘要: 智能推荐系统是信息技术领域比较新的课题,它迅速汇聚全球众多研究者的眼球并率先在电子商务领域取得成功,与此同时,通过各种新媒体形式的终端对知识进行浏览的方式已深入人心,但由于当今知识的爆炸性增长,使得仅凭个人的力量进行知识的选择性浏览已成为一项不可能完成的任务,立足于人们对知识浏览特点的分析,借鉴智能推荐系统在电子商务领域商品推荐的成熟算法,进行一次智能推荐系统在知识浏览领域应用的尝试,希望能抛砖引玉为智能推荐系统在知识浏览领域的研究起到积极的推动作用。
关键词: 智能;新媒体;推荐系统;知识浏览
中图分类号:TP182 文献标识码:A 文章编号:1671-7597(2011)1110152-01
电子商务公司Amazon、Ebay、Best Buy等在智能推荐系统领域的研究走在了前列。电子商务智能推荐算法也是相对最成熟、最完善的。当然,智能推荐系统在知识浏览领域的应用上我不反对“拿来主义”,然而囫囵吞枣式的把某些电子商务智能推荐系统直接照搬,却是起不到好的效果的。下面就将电子商务智能推荐主要算法直接应用在知识浏览领域中可能遇到的问题列入表中,如表1所示:
表1主要电子商务算法在知识浏览领域应用中可能遇到的问题
从上表中可以看出,虽然借鉴相对比较成熟的电子商务智能推荐算法是一个解决的捷径,但是毕竟一个是涉及商品交易,一个是为读者提供更多的知识浏览选择,为读者发现新的内容。所以,照搬电子商务中的成熟推荐算法是不符合实际需求的。为了建立更加适合知识浏览领域的智能推荐系统模型,首先还是要从分析人们浏览知识的目的和特点入手。通过调研发现,相对智能推荐系统在电子商务领域的应用,在知识浏览领域主要有以下三大特点:
首先,知识浏览是一种发现有用资料的途径,这种途径与电子商务上准确定位消费者可能要购买的商品有很大差别,这种途径要具有更强的发现性、实时性。电子商务智能推荐的核心是促进甚至是引导消费者对某种产品的消费行为,这决定了电子商务的推荐结果更注重结果定位,而知识浏览的推荐是引导一种新的发现过程,既要有一定的相关性还要有较强的发现性。
其次,由于知识浏览所涉及到的学科分类一般在一个国家范围内都是有统一标准的,这使得任意终端进行的知识浏览对知识的分类是一致的,然而在电子商务推荐系统中商品分类五花八门,尚无统一分类标准,要获得对用户或商品的分类通常只能单一的采用聚类算法。
由于智能推荐系统在知识领域的应用有以上两个主要特点,所以在系统设计时要要兼顾到知识浏览智能推荐的相关性和较强的发现性,所以,需要先设计一种具有较强发现性的规则传递模型,来满足人们对知识浏览中实时性和发现性方面的需求。通过多次的试验,一种简单而高效的规则交换模块产生了,其工作原理可以用示意图1来表示。
这种规则交换模块具有很强的发现性、实时性,能保证人们对知识浏览的大跨度推荐。然而,作为智能推荐系统,仅进行这样的实时规则传递显然无法为用户提供高相关度的知识。经过多次的试验,最终一种三段系统模型产生了,模型包括:实时规则传递模块,知识体系干预模块和离线处理模块。如图2所示。
图1规则交换模块
图2系统模型
为了更好的说明这种智能推荐系统对知识浏览推荐质量的影响,这里通过使用人数-推荐质量关系图进行来示意,如图3所示。
图3人数-推荐质量的关系图
曲线1:在知识推荐中单纯采用规则传递模型。
曲线2:通过知识学科体系分类灵活的干预曲线1后的新曲线。
曲线3:将曲线1,2,4进行整合后,得到智能推荐系统在知识推荐上的理想质量曲线。
曲线4:单纯进行数据挖掘分析后产生的智能推荐结果。
如图3容易看出,如果仅仅采用单一规则传递模块,推荐质量将随着使用推荐系统人数的增多迅速的下降,这主要是由于推荐的相关性迅速下降造成的。通过干预模块,适当勾选学科相应分类级别分组进行人工干预后可以使得系统在使用人数较多的情况下改善推荐质量,最后加入基于层次的rock算法,使得智能推荐系统在随时间的推移人数不断增长的情况下对知识的推荐质量进行互补性修正,最终保证了智能推荐系统在知识浏览领域的推荐质量。而如果一开始单独直接使用电子商务智能推荐中数据挖掘中常用的聚类算法,将存在离线处理,冷启动,实时性和发现性不强等一系列水土不服的问题。
参考文献:
[1]N.Dimokas;D.Katsaros;Y.Manolopoulos.Cache consistency in Wireless Multimedia Sensor Networks,Ad HocNetworks,2010,Vol.8 No.2:214-240,2010.
[2]超群,智能推荐系统,http://www.fuchaoqun.com/2009/05/recommen
Der-system/.May 18th,2009.
作者简介:
曹畋(1981-),男,汉族,中国传媒大学电子与通信工程专业硕士,助理工程师,中国传媒大学南广学院,研究方向:计算机软件及多媒体技术。
关键词: 智能;新媒体;推荐系统;知识浏览
中图分类号:TP182 文献标识码:A 文章编号:1671-7597(2011)1110152-01
电子商务公司Amazon、Ebay、Best Buy等在智能推荐系统领域的研究走在了前列。电子商务智能推荐算法也是相对最成熟、最完善的。当然,智能推荐系统在知识浏览领域的应用上我不反对“拿来主义”,然而囫囵吞枣式的把某些电子商务智能推荐系统直接照搬,却是起不到好的效果的。下面就将电子商务智能推荐主要算法直接应用在知识浏览领域中可能遇到的问题列入表中,如表1所示:
表1主要电子商务算法在知识浏览领域应用中可能遇到的问题
从上表中可以看出,虽然借鉴相对比较成熟的电子商务智能推荐算法是一个解决的捷径,但是毕竟一个是涉及商品交易,一个是为读者提供更多的知识浏览选择,为读者发现新的内容。所以,照搬电子商务中的成熟推荐算法是不符合实际需求的。为了建立更加适合知识浏览领域的智能推荐系统模型,首先还是要从分析人们浏览知识的目的和特点入手。通过调研发现,相对智能推荐系统在电子商务领域的应用,在知识浏览领域主要有以下三大特点:
首先,知识浏览是一种发现有用资料的途径,这种途径与电子商务上准确定位消费者可能要购买的商品有很大差别,这种途径要具有更强的发现性、实时性。电子商务智能推荐的核心是促进甚至是引导消费者对某种产品的消费行为,这决定了电子商务的推荐结果更注重结果定位,而知识浏览的推荐是引导一种新的发现过程,既要有一定的相关性还要有较强的发现性。
其次,由于知识浏览所涉及到的学科分类一般在一个国家范围内都是有统一标准的,这使得任意终端进行的知识浏览对知识的分类是一致的,然而在电子商务推荐系统中商品分类五花八门,尚无统一分类标准,要获得对用户或商品的分类通常只能单一的采用聚类算法。
由于智能推荐系统在知识领域的应用有以上两个主要特点,所以在系统设计时要要兼顾到知识浏览智能推荐的相关性和较强的发现性,所以,需要先设计一种具有较强发现性的规则传递模型,来满足人们对知识浏览中实时性和发现性方面的需求。通过多次的试验,一种简单而高效的规则交换模块产生了,其工作原理可以用示意图1来表示。
这种规则交换模块具有很强的发现性、实时性,能保证人们对知识浏览的大跨度推荐。然而,作为智能推荐系统,仅进行这样的实时规则传递显然无法为用户提供高相关度的知识。经过多次的试验,最终一种三段系统模型产生了,模型包括:实时规则传递模块,知识体系干预模块和离线处理模块。如图2所示。
图1规则交换模块
图2系统模型
为了更好的说明这种智能推荐系统对知识浏览推荐质量的影响,这里通过使用人数-推荐质量关系图进行来示意,如图3所示。
图3人数-推荐质量的关系图
曲线1:在知识推荐中单纯采用规则传递模型。
曲线2:通过知识学科体系分类灵活的干预曲线1后的新曲线。
曲线3:将曲线1,2,4进行整合后,得到智能推荐系统在知识推荐上的理想质量曲线。
曲线4:单纯进行数据挖掘分析后产生的智能推荐结果。
如图3容易看出,如果仅仅采用单一规则传递模块,推荐质量将随着使用推荐系统人数的增多迅速的下降,这主要是由于推荐的相关性迅速下降造成的。通过干预模块,适当勾选学科相应分类级别分组进行人工干预后可以使得系统在使用人数较多的情况下改善推荐质量,最后加入基于层次的rock算法,使得智能推荐系统在随时间的推移人数不断增长的情况下对知识的推荐质量进行互补性修正,最终保证了智能推荐系统在知识浏览领域的推荐质量。而如果一开始单独直接使用电子商务智能推荐中数据挖掘中常用的聚类算法,将存在离线处理,冷启动,实时性和发现性不强等一系列水土不服的问题。
参考文献:
[1]N.Dimokas;D.Katsaros;Y.Manolopoulos.Cache consistency in Wireless Multimedia Sensor Networks,Ad HocNetworks,2010,Vol.8 No.2:214-240,2010.
[2]超群,智能推荐系统,http://www.fuchaoqun.com/2009/05/recommen
Der-system/.May 18th,2009.
作者简介:
曹畋(1981-),男,汉族,中国传媒大学电子与通信工程专业硕士,助理工程师,中国传媒大学南广学院,研究方向:计算机软件及多媒体技术。