山东大学2020社交网络推荐系统考试知识点总结

山东大学2020年9月6日社交网络和推荐系统考试涉及到的知识点非常全面，主要集中在推荐系统的基本概念、算法理解、评测方法以及实际应用上。以下是详细的内容概述： 1. **算法描述与理解**： - Item-based Collaborative Filtering (Item-based CF)：基于物品的协同过滤，通过相似物品之间的关联性来推测用户可能的兴趣，通常涉及用户-物品评分矩阵的处理。 - BiasSVD：一种扩展了传统Singular Value Decomposition (SVD)的推荐算法，考虑了用户偏好的倾向，增加了个性化因素。 - Factorization Machines (FM)：利用线性和低阶特征交互的模型，提升推荐精度，能够捕捉用户和项目之间的非线性关系。 - SimRank算法：用于计算节点在网络中的相似度，常用于社交网络的链接预测和推荐。 - Thompson Sampling：属于概率型算法，通过随机采样模型参数来进行推荐决策，适用于推荐系统中的探索-exploitation问题。 2. **推荐系统评测方法**： - **离线实验（Offline Experiment）**：通过历史用户行为数据训练模型，然后在未参与训练的测试集上评估性能，常用指标如准确率、召回率等，优点在于速度快但缺乏实时反馈。 - **用户调查（User Study）**：通过问卷调查或直接观察用户对推荐结果的满意度，更贴近实际用户体验，但成本较高且主观性强。 - **在线实验（Online Experiment）**：在实际运营环境中实时调整模型并收集反馈，可以获取点击率、转化率等商业指标，但结果受环境变化影响较大。 3. **推荐系统原理与组件**： - 推荐系统目标：解决信息过载，个性化推荐，连接用户和商品，增强用户体验。 - 组成部分：用户行为数据（如评分、点击）、用户和项目特征、推荐列表生成。 - 与搜索引擎对比：推荐系统侧重于挖掘用户潜在兴趣，而搜索引擎则依赖用户主动搜索。 4. **深度学习在推荐系统中的应用**： - LFM（Latent Factor Model）：一种基于矩阵分解的模型，结合深度学习技术，如深度神经网络，提高推荐精度。 - 深度学习例子：深度神经网络（DNN）用于特征提取，深度强化学习（DRL）用于动态调整推荐策略。 5. **推荐系统的评估指标**： - 除了离线实验中的评估指标，还包括商业关键指标，如点击率、转化率，这些指标更能反映推荐效果对业务的影响。 这份试题涵盖了推荐系统的基础理论、核心算法、评测方法和实际应用等多个方面，对深入理解和掌握推荐系统设计与优化具有重要意义。对于学习者而言，理解和掌握这些知识点是期末考试成功的关键。