博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
个性化推荐研究(三)之用户行为数据
阅读量:5845 次
发布时间:2019-06-18

本文共 690 字,大约阅读时间需要 2 分钟。

<p> &nbsp;&nbsp;&nbsp;&nbsp;个性化推荐算法是基于用户的行为数据分析设计的。那么用户行为数据又是从哪里来的呢?每个网站或者应用在上线后大都会记录日志,这些日志就记录着访问该网站或者应用的用户行为。例如你访问了百度,那么百度就会记录你搜索了哪些关键字,点击了哪些链接等等,并将这些写入日志中。用户行为数据就是从这些日志中发觉分析得来的。<br/> &nbsp;&nbsp;&nbsp;&nbsp;用户行为在个性化推荐中一般分为显性反馈和隐性反馈两种。显性反馈是指用户明确表示对物品喜好的行为,如:评分、顶/踩等。隐性反馈是指不能明确反映用户喜好的行为,如浏览网页等。相比显性反馈,隐性反馈虽不明确,但数据量更大。并且很多网站都只是有隐性反馈,而没有显性反馈。因此我们绝不应该忽视隐性反馈,而只关注显性反馈。<br/> &nbsp;&nbsp;&nbsp;&nbsp;从反馈方向分,用户行为数据还可以分为正反馈和负反馈。正反馈指用户的行为表明用户喜欢物品,而负反馈则相反。<br/> &nbsp;&nbsp;&nbsp;&nbsp;用户行为可以分为很多种,拿电子商务来说,就有浏览、购买、收藏、分享、评分、评论等等。实践过程中,一般不会将所有行为结合在一起表示,并根据这些表示进行分析,推荐物品给用户,而是会根据不同的行为给出不同的表示。例如,亚马逊就会将浏览与购买区分开,浏览有浏览的推荐列表,而购买有购买的推荐列表,并不会混合在一起进行推荐。<br/> </p>

转载于:https://my.oschina.net/wxcchd/blog/139005

你可能感兴趣的文章
如何正确地部署防火墙?
查看>>
我的51CTO课程《Word 2003从入门到精通》有关试验材料下载
查看>>
Android应用程序安装过程源代码分析(3)
查看>>
关闭VMwareWorkStation的嘀嘀声音(启动或重启Linux虚拟机时)
查看>>
物联网时代更要注意信息安全
查看>>
论trycatch的重要性
查看>>
windows下利用cwRsync批量更新
查看>>
摆平Win2008与VPC2007的诡异冲突
查看>>
SAMBA最简单的配置方法
查看>>
SCOM数据库整理索引计划出错
查看>>
Android添加顶部通知(Notification)并处于“正在进行中”(onGoing)
查看>>
傻瓜式Linux之二:网络配置
查看>>
【iOS-cocos2d游戏引擎开发之一】搭建cocos2d游戏引擎环境,创建第一个HelloWorld!...
查看>>
企业架构 - 组织角色和技能
查看>>
线上数据清洗-一个有趣的算法
查看>>
Spring 基础
查看>>
Windows Server 2012 Server Core中安装活动目录
查看>>
网卡地址查看与修改
查看>>
容易被忽略CSS特性
查看>>
Linux内核中进程上下文、中断上下文、原子上下文、用户上下文的理解【转】...
查看>>