基于机器学习的移动应用推荐系统的研究与实现
来源:互联网 发布:黄金交易软件 编辑:程序博客网 时间:2024/06/08 14:21
基于机器学习的移动应用推荐系统的研究与实现
长尾现象(long tail)
大量的冷门的APP被热门的APP所覆盖,无法被用户找到。APP的关联系统希望能够在用户浏览当前APP的同时,为用户推荐与该APP相关的其他的冷门但是又满足用户需求的APP。比如当前的微信小程序,轻便快捷,就满足推荐的需求。
推荐方法
在语义层面来衡量APP之间的相似性。每个APP都会有一个APP的介绍,也就是描述文档。一般认为,这个描述文档会包含该APP的功能介绍,功能相似的APP可以一起被推荐给有该功能需求的用户,供用户挑选使用。
可以采用的功能分析的方法有pLSA,LDA,doc2vec等自然语言处理中的方法。实际上,这些方法是用来提取文本中最具有特征代表性的词汇。
学习排序 (learning to rank)
推荐系统
有多种推荐方法,我们主要是用基于内容的推荐(content-based)还有协同过滤推荐系统。
1.基于内容的推荐
根据功能相似来推荐APP,在这一步就需要将功能相似的APP聚集在一起。推荐与用户查询功能最接近的APP。
(1)如何计算功能相似度
APP的功能含在APP的描述文本中。那么,为了更好的获得APP的详细功能,我们就需要对描述文本进行更好的特征提取。一般的特征提取就是LDA主题模型,获得该文本的主题特征,用这些特征来表示该APP的功能。对于每一个描述文本都有一个向量来表示,那么可以根据这些向量来计算每一个APP之间的相似度。最关键的还是有效特征的提取
(2)关键词提取
文章:Automatic keyword extraction from individual documents
代码:https://github.com/aneesha/RAKE
1.停用词被认为是无信息或者无意义的。因此需要首先去除。
2.关键词评分 关键词的TFIDF会比较高。所最简单的抽取关键词的方法就是TFIDF。还有LDA等,用找出的表示主题的词来作为该文本的关键词。
3.但是因为APP的文本本来就比较少,那么就会导致关键词的提取不够准确。
- 基于机器学习的移动应用推荐系统的研究与实现
- 基于LBSN数据的推荐系统研究与实现
- 机器学习->推荐系统->基于图的推荐算法(PersonalRank)
- 机器学习—— 基于深度学习的推荐系统的实现
- 基于机器学习的SNS隐私保护策略推荐向导的设计与实现
- 基于Webkit的移动Widget引擎研究与实现
- 基于系统真实数据的TUXEDO应用服务器压力测试的研究与实现
- Hadoop应用开发--基于MapReduce推荐系统的实现
- 基于JMS的数据汇集系统的研究与实现
- 基于SX52的嵌入式模拟系统的研究与实现
- 基于JMS的数据汇集系统的研究与实现
- 数据挖掘-基于机器学习的SNS隐私策略推荐向导分类器的C++及WEKA实现与评估
- 数据挖掘-基于机器学习的SNS隐私策略推荐向导分类器的C++及WEKA实现与评估
- 基于ARM的Linux系统移植研究与实现
- 基于Android系统的智能家居控制终端研究与实现
- 机器学习实战-SVD与特征值分解的理论推导及SVD在推荐系统中的应用
- 机器学习系统设计与应用机器学习的建议 机器学习基础(5)
- 机器学习-推荐系统中基于深度学习的混合协同过滤模型
- python基础-类内置函数、类内置方法
- Docker技术入门与实战+第2版.pdf 免费下载
- ESP8266 ESP01 Arduino IDE 烧录配置
- 3、命令帮助
- Defense Lines UVA
- 基于机器学习的移动应用推荐系统的研究与实现
- Android之 MTP框架和流程分析
- ICMP协议
- 1045. Favorite Color Stripe (30) LIS
- 圆形进度条
- Android驱动开发权威指南.pdf 免费下载
- Linux命令(30)——scp命令
- 【链表】
- 自然语言处理入门知识