算 法 的 鲁 棒 性.pdfVIP

算法模型好坏、评价标准、算法系统设计

算法模型好坏的评价通用标准：

1、解的精确性与最优性。基于正确性基础上。

2、计算复杂度，时间成本。

3、适应性。适应变化的输入和各种数据类型。

4、可移植性。

5、鲁棒性。健壮性。

鲁棒性（robustness）就是系统的健壮性。它是在异常和危险情

况下系统生存的关键。比如说，计算机软件在输入错误、磁盘故障、

网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁

棒性。所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数

摄动下，维持某些性能的特性。根据对性能的不同定义，可分为稳定

鲁棒性和性能鲁棒性。以闭环系统的鲁棒性作为目标设计得到的固定

控制器称为鲁棒控制器。

一个电子商务网站推荐系统设计与实现——硕士论文分析

一、应用场景

1、网站首页、新品推荐：采用item相似度策略推荐。目标：提

供新颖商品。

2、商品详情、看过的还看过，看过的还买过：采用频繁项集挖掘

推荐。目的：降低商品寻求成本，提高体验、促进购买。

3、网站购物车、买过的还买过：频繁项集挖掘。目的：提高客单

价。

4、网站会员中心、与用户浏览历史相关商品：item相似度。目

的：提升复购率。

5、商品收藏栏、搜索栏、品牌栏、品类栏：item相似度。目的：

获取用户更多反馈；帮助用户发现需求；完善内链结构，流畅页面跳

转；完善品类之间内链结构，流畅跳转。

二、推荐系统核心问题

三个核心要素：用户、商品、推荐系统。

用户特征分析：行为特征、兴趣特征。

用户不同特征以不同形式存储在不同介质中：注册信息存储在关

系型数据库、行为数据存储在web日志中。

开发时，需要将这些数据进行清理，然后转换到统一的用户偏好

数据库中。

商品特征：基本特征、动态特征。

基本特征：品牌、品类、颜色、型号、尺寸、性别等。

动态特征：销量、库存、市场价格、浏览次数、加购物车次数等。

补充说明：如果商品不能直接说明用户的兴趣特征，比如电影、

图书，则可以通过用户的标签系统进行推荐。

或者通过协同过滤算法进行推荐，因为协同过滤算法不需要依赖

商品自身的特征属性。

用户和商品一般具有三种关系：这是推荐系统工作的依据。

用户--喜欢--商品--相似--商品：基于item的推荐系统思想。

用户--相似--用户--喜欢--商品：协同过滤算法思想。

用户--喜欢--特征--包含--商品：基于标签和知识的推荐系统思

想。

协同过滤算法优缺点：

优点：对推荐对象没有特别要求，不需要结构化可描述。适合电

影、音乐、视频等非结构化对象的推荐。

缺点：需要大量用户历史数据，存在新用户、新商品、冷启动、

数据稀疏等问题。

基于内容的推荐算法：根据用户浏览或者购买过的商品的特征，

分析用户兴趣偏好模型，推荐相似特征商品。

优点：不需要其他用户数据支持；推荐的理由容易解释，因为是

基于当前用户的行为；可以推荐新商品给用户，协同过滤做不到。

缺点：商品特征是有限的，不完备的，提取特征需要相关背景知

识；过于规范化，只会推荐相似特征内的商品，高度依赖特征的提取；

新用户问题，新用户数据不够，推荐效果不好。

基于知识的推荐系统：针对历史数据少，用户有明确购买要求的

情况。比如买车买房、买手机电脑等，频次低、目的明确。需要商品

的专业知识。

优点：不依赖用户历史数据，解决协同过滤和基于知识推荐算法

不能应用的场景。

缺点：依赖商品的专业知识，用户需求越明确，商品知识越全面，

匹配度越高，否则，推荐效果越差。数据获取不容一，不容易建模。

三、推荐系统中的数据挖掘方法

数据预处理：将非结构化的数据结构化，进行清理、转化、提取

等操作。

常见预处理方法：采样、去噪、降维、计算相似度。

四、推荐系统整体架构

共四层：数据层、算法层、接口层、应用层。

数据层：数据存储、清理、分析、挖掘。为算法层提供数据基础。

算法层：系统核心模块，上述推荐