Collaborative Filtering in Data Mining (ACM暑期课程介绍)

在2003年，《Item-to-Item Collaborative Filtering》一文由亚马逊公司的Linden、Smith与York三位先生发表，在这篇文献中首次阐述了亚马逊公司基于物品间的协同过滤机制。自此以后，在推荐系统领域中协同过滤技术占据了主导地位，并成为各个平台进行个性化推荐的重要手段之一。通过挖掘用户间的关联性关系，在这种技术下生成的商品和服务推送能够满足特定群体的需求，并且这种个性化推荐模式能够满足特定群体的需求。为了深入理解数据挖掘的核心概念是学习协同滤波的基础 today的学习重点将聚焦于以下几个关键部分

• 相似性测度Similarity metrics：两个产品之间如何用数学方法量化其差异或相似程度？这种度量有助于我们回答这一问题。在ACM暑期培训中构建内容推荐引擎时，我们已经采用了余弦相似度作为基础工具。今天的学习进一步扩展了我们对相似性测量的理解。
• 数据降维Dimensionality reduction：当我们处理协同滤波推荐算法时，通常会遇到大量用户的多维度产品评分数据。此时的数据点维度可能会达到千万级别规模。为了提升模型性能、优化计算效率并避免维度爆炸的问题，在保留大部分信息的前提下大幅缩减空间维度是理想选择。
• 监督学习Supervised learning：监督学习是一种利用标签数据建立映射关系的学习范式