从风险管理的角度来看是否需要个性化推荐
2014-04-18 09:38
337 查看
一 背景
1、现今 ,个性化技术被广泛用于推荐系统 。 特别是基于用户的偏好数据进行个性化预测的
协同过滤算法,已被证是实际可行的。然而 在某种程度上我们并不知道个性化推荐是否总是
能优于非个性化推荐.《Performance of recommender algorithms on top-n recommendation
tasks》已证实基于热门的推荐也有相当好的效果。下图是Bayesian personalized ranking
和 popularity-based 推荐算法的结果比较(基于MovieLens的数据集)。
虽然整体上BPR算法占优 , 但是也有很大的部分热门占优。三个图分别基于不同的推荐
结果准确度评定算法。具体见Learning to Rank for IR的评价指标
2、从学习模式的角度来看 , 个性推荐能预测出用户的偏好,但会很敏感 ,非个性化推
荐相反。怎样比较个性化推荐和非个性推荐?我们引入金融领域的风险管理的概念。我
们通过使用MPT(Modern Portfolio Theory)来对推荐列表(包括两种推荐算法)进行优化
。可以把推荐列表看作是一个投资组合(推荐列表的每一个item相当于投资组合里面的股
票 , 某个item在列表中的位置可以认为是投资组合中某个股票的权重)
二 推荐风险分析
1、基本定义
1)、投资组合: 投资组合是一个包含n个具有对应权重的item的集合 , 权重与item的
重要性相关。
2)、用户对投资组合 的偏好程度 , 某个用户对投资组合中item i的喜好程度由ru,i
表示
User 对投资组合的偏好程度的期望与方差
3)、对于某个用户来说,当且仅当满足如下关系时投资组合1优于投资组合二
4)、 有效边界
用来描述一项投资组合的风险与回报之间的关系,在以风险为横轴,预期回报率
为纵轴的坐标上显示为一条曲线,所有落在这条曲线上的风险回报组合都是在一
定风险或最低风险下可以获得的最大回报
, 如图
最佳投资组合的查找
, 如果在给定投资组合的预期回报(mean)的情况下 ,
那么就是在有效边界上找风险最
小的 点。
2
、两个投资组合的风险对比
拿经典的Bayesian personalized ranking (BPR)算法和popularity-based
recommendation (POP)对比分析
1)、用4 个典型的风险-回报 图 阐明个性化推荐与非个性化推荐之间
的关系
2)、需要三个层面来分析孰优孰劣
(1) 、物品层面:
需要计算出用户u与投资组合P中item i偏好程度的期望与方差;基于隐语
言模型的贝叶斯线性回归。
(2)、投资组合层面:
基于上一步的期望与方差,计算物品在投资组合中的权重(即排名)
(3)、两个投资组合比较层面;
采用mean-variance-aware switch algorithms进行最终的推荐选择
三 投资组合切换决策算法
1、单个item层面的评估,需要关注用户对item的偏好程序的期望和标准差。对于用
户对item评分的概率分布,在此使用probabilistic matrix factorization来建模,
先验分布
如下
后验分布;
用户对item评分的高斯分布为:
期望和方差为:
物品的相关性可以用 knn 或 皮尔逊相关系统算出
2、投资组合优化
主要关注投资组合中物品的权重优化分析。
下面重新定义用户的投资期望 , b是用户的风险规避系数 。 被减数是
期望, 凑数是方差乘以系数,
那么现在的期望-风险系统数就变成了二次曲线。有效边界与二次曲线的切点就
是该点的权重
3、选择算法
期望优先:
风险优先:
等其它算法
这只是初读论文,后续会跟进相应的推导过程解析
引用论文 To personalize
or not: A risk: management perspective
1、现今 ,个性化技术被广泛用于推荐系统 。 特别是基于用户的偏好数据进行个性化预测的
协同过滤算法,已被证是实际可行的。然而 在某种程度上我们并不知道个性化推荐是否总是
能优于非个性化推荐.《Performance of recommender algorithms on top-n recommendation
tasks》已证实基于热门的推荐也有相当好的效果。下图是Bayesian personalized ranking
和 popularity-based 推荐算法的结果比较(基于MovieLens的数据集)。
虽然整体上BPR算法占优 , 但是也有很大的部分热门占优。三个图分别基于不同的推荐
结果准确度评定算法。具体见Learning to Rank for IR的评价指标
2、从学习模式的角度来看 , 个性推荐能预测出用户的偏好,但会很敏感 ,非个性化推
荐相反。怎样比较个性化推荐和非个性推荐?我们引入金融领域的风险管理的概念。我
们通过使用MPT(Modern Portfolio Theory)来对推荐列表(包括两种推荐算法)进行优化
。可以把推荐列表看作是一个投资组合(推荐列表的每一个item相当于投资组合里面的股
票 , 某个item在列表中的位置可以认为是投资组合中某个股票的权重)
二 推荐风险分析
1、基本定义
1)、投资组合: 投资组合是一个包含n个具有对应权重的item的集合 , 权重与item的
重要性相关。
2)、用户对投资组合 的偏好程度 , 某个用户对投资组合中item i的喜好程度由ru,i
表示
User 对投资组合的偏好程度的期望与方差
3)、对于某个用户来说,当且仅当满足如下关系时投资组合1优于投资组合二
4)、 有效边界
用来描述一项投资组合的风险与回报之间的关系,在以风险为横轴,预期回报率
为纵轴的坐标上显示为一条曲线,所有落在这条曲线上的风险回报组合都是在一
定风险或最低风险下可以获得的最大回报
, 如图
最佳投资组合的查找
, 如果在给定投资组合的预期回报(mean)的情况下 ,
那么就是在有效边界上找风险最
小的 点。
2
、两个投资组合的风险对比
拿经典的Bayesian personalized ranking (BPR)算法和popularity-based
recommendation (POP)对比分析
1)、用4 个典型的风险-回报 图 阐明个性化推荐与非个性化推荐之间
的关系
2)、需要三个层面来分析孰优孰劣
(1) 、物品层面:
需要计算出用户u与投资组合P中item i偏好程度的期望与方差;基于隐语
言模型的贝叶斯线性回归。
(2)、投资组合层面:
基于上一步的期望与方差,计算物品在投资组合中的权重(即排名)
(3)、两个投资组合比较层面;
采用mean-variance-aware switch algorithms进行最终的推荐选择
三 投资组合切换决策算法
1、单个item层面的评估,需要关注用户对item的偏好程序的期望和标准差。对于用
户对item评分的概率分布,在此使用probabilistic matrix factorization来建模,
先验分布
如下
后验分布;
用户对item评分的高斯分布为:
期望和方差为:
物品的相关性可以用 knn 或 皮尔逊相关系统算出
2、投资组合优化
主要关注投资组合中物品的权重优化分析。
下面重新定义用户的投资期望 , b是用户的风险规避系数 。 被减数是
期望, 凑数是方差乘以系数,
那么现在的期望-风险系统数就变成了二次曲线。有效边界与二次曲线的切点就
是该点的权重
3、选择算法
期望优先:
风险优先:
等其它算法
这只是初读论文,后续会跟进相应的推导过程解析
引用论文 To personalize
or not: A risk: management perspective
相关文章推荐
- 从风险管理的角度来看是否须要个性化推荐
- 2017.5.27 使用propagation实现:根据参数决定是否需要事务管理
- 个性化推荐算法需要有“监督”
- 构建企业级项目管理体系(05)-你是否需要PMO呢?
- 从程序员的角度来看为什么我们需要工作流
- 构建企业级项目管理体系(05)-你是否需要PMO呢?
- 推荐:每个人都需要成长,在线阅读《敏捷个人-认识自我,管理自我 V0.5.pdf》
- 是否需要追逐潮流!基于Hadoop的感想 推荐
- 【pmp考试之风险管理】风险管理需要背诵的语句
- 从国内两大通信巨头“间谍战”来看企业内网安全管理需求 推荐
- 推荐:每个人都需要成长,在线阅读《敏捷个人-认识自我,管理自我 V0.5.pdf》
- 项目经理是否需要技术?项目管理与技术哪个重要?
- 【228期推荐】关于挂号的疑问,检查完后是否需要再挂号
- 推荐:每个人都需要成长,在线阅读《敏捷个人-认识自我,管理自我 V0.5.pdf》
- 今日头条成功的核心技术秘诀是什么?深度解密个性化资讯推荐技术 本文作者:AI研习社 2017-07-05 12:24 导语:从“内行”的角度解密个性化资讯推荐技术。 雷锋网按:本文系知名 IT 技术资
- 老板对管理的漠视给企业带来的风险 推荐
- 项目管理-技术工程师需要有技术商人的能力 推荐
- 构建企业级项目管理体系(06)-PMO是否需要参与项目选择?
- 从程序员的角度来看为什么我们需要工作流 .
- 产品经理需要了解的算法——热度算法和个性化推荐