基于机器学习的移动应用推荐系统的研究与实现
2017-11-24 20:05
916 查看
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。
相关文章推荐
- [Spark机器学习]基于Spark 2.0 机器学习之推荐系统实现
- 机器学习—— 基于深度学习的推荐系统的实现
- [Spark机器学习]基于Spark 2.0 机器学习之推荐系统实现
- [Spark机器学习]基于Spark 2.0 机器学习之推荐系统实现
- 基于BBB的4轮移动轮式机器人系统设计与实现(五)--BeagleBone Black编码器开发应用
- 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SaaS模式的链主式网络供应链管理系统平台研究(2) 推荐
- 基于向量空间模型的文本自动分类系统的研究与实现
- 一种基于VB的流媒体播放系统研究及应用
- 详解基于Sbo DI API独立程序系统登录的实现 推荐
- 第三章 CHRAS系统简介及其备份恢复需求 --基于mkCDrec的核心网网络运维系统的备份和恢复的研究与实现
- 基于Gmail建立稳定免费的企业邮件系统-实现移动Pushmail办公篇
- 摘要目录 --基于mkCDrec的核心网网络运维系统的备份和恢复的研究与实现
- web挖掘研究和基于多层次数据库的智能化web挖掘引擎系统的实现
- 基于DirectShow的MPEG-4视频传输系统的研究与实现(摘录)
- 第二章 数据备份和恢复技术 --基于mkCDrec的核心网网络运维系统的备份和恢复的研究与实现
- 基于工作流实现跟应用系统的无缝集成
- 基于J2EE平台Web系统的软件测试研究和实现
- 基于DirectShow的MPEG-4视频传输系统的研究与实现