个性化推荐技术及其在阅读中的应用

在当今信息泛滥的时代，个性化营销的出现极大方便了人们的生活，改变了人们的习惯。以用户为中心的个性化产品越来越多，个性化资讯、个性化音乐、个性化电子书、个性化商品……个性化推荐技术也随之成为了当前的研究热点，接下来我们以两个阅读产品为例来简单谈谈个性化推荐技术的应用。

FeedzShare是一个具有个性化推荐功能的RSS阅读器。当用户第一次访问FeedzShare时, 会提示用户输入Google Reader分享页面或RSS地址, FeedzShare分析完用户的阅读兴趣后自动跳转到用户的个性化阅读主页。FeedzShare“个性化阅读”采用的是基于用户的协同过滤算法,找到和用户推荐有交集的所有其他用户, 用一定的算法计算出相似程度, 排序后取topN个其他用户看作该用户的相近邻， 然后筛选出最近被相近邻用户阅读过又没有被该用户阅读的文章, 作为预测结果推荐给该用户。

Zite则采用的是的基于内容相似度的推荐算法。Zite是一款免费的个性化智能阅读工具，启动Zite后，用户需用Twitter和Google Reader账户登录Zite，Zite能够依据用户在Twitter和Google Reader上关注的人的主要兴趣精炼出用户感兴趣的话题，然后找出话题相关文章，根据文章的受欢迎程度、被他人分享的次数，以及话题相关度对文章进行排序。更重要的是，Zite能够跟踪用户在使用Zite时任何细微的阅读行为，从而发现用户阅读的DNA。 在采集用户的阅读行为之后，Zite通过机器学习、语义分析、群体智能等高端技术的整合应用，充分挖掘用户的潜在阅读需求和阅读基因，在智能推荐的时候优先从用户的阅读DNA出发，最大程度地满足用户的个性化阅读需求。

基于用户的协同过滤技术在用户较多时，计算量会过大，并且对于一些用户感兴趣但是较冷门的文章，很难通过该算法进入到推荐结果。而基于内容的推荐技术能够有效避免冷门文章不被推荐的情况发生，同时也拥有较小的计算量，但是推荐效果上要比基于协同过滤技术稍差一些。但是无论哪种算法，都不可避免的遇到数据稀疏的问题。因为推荐前需要先收集一组用户的兴趣数据, 这些数据可以是浏览、下载、打分等，而这些数据的积累是个漫长的过程，因此我们看到越来越多推荐工具选择利用Twitter或Google等已经积累起来的大量用户数据进行分析推荐。

总之，考虑到每个用户对于推荐的内容都有不同的要求，因此一个良好的推荐系统必须能够从用户对推荐内容的反馈中自行调整和学习。针对不同用户的反馈来不断学习每个用户的兴趣特征，才能够避免算法的先天性偏差，获得较为理想的效果。