华东师范大学计算机科学与技术学院的吴雯博士
例如购买哈利波特与魔法石
基于内容的推荐：哈里波特与密室
本质上是去寻找与刚刚你曾经浏览过或者曾经购买过的书内容相似的其他书。
协同过滤算法
1.寻找曾经购买过这本书或者浏览过哈利波特与魔法石的其他的一些用户（最近邻居）
2.把这个邻居还看过的其他书或者买过的其他书，推荐给这个目标用户
第一个不足之处就是新用户问题就是当一个用户，刚使用这个系统时，没有任何浏览记录和购买记录，这个时候极难去寻找最近邻居去做熵运算。
1.不同性格的人偏好不同
2.同一个人不同时间，心情不同
其中心理学家指出，性格是一个非常持久，非常稳定的心理变量，会影响用户的态度，品味和行为。
五大人格模型：
衡量人格，主要包含25个维度
开放型：比较创新，比较开朗，思维比较开放
反之，则是比较保守沉思的,同理列出下表，不再多描述
六大情绪衡量模型
心理因素融入到推荐系统
第一个研究的问题：用户的心理元素是怎样融入到现有的推荐系统当中？（以此来提高推荐的满意度，准确率，以及用户满意度，那么即我证明了这个心理元素是非常重要的）
第二个问题，如何去获取心理元素？
（无论是情绪还是性格，心理量表来度量是一个十分耗时耗力的方法）
故而，重点在，如何大规模获取心理元素？
第一个研究的问题：用户的心理元素是怎样融入到现有的推荐系统当中？
从电商社交，智能教育以及心理健康，三个领域进行突破
电商社交方面：
1.提高精准性
2.推荐多样性
3.推荐个性化界面
一.解决冷启动问题
其中冷启动问题对准确率影响极大，冷启动问题，就是没有很充足的用户的一些行为数据，比如说打分的数据，从而没法很好的推荐。
往往一般的推荐系统呢，就会给大家推荐一些很热门的东西，但是热门的东西不一定能够很好的匹配到大家的一个兴趣。
基于用户评分的协同过滤算法：
1.利用计算相似度的公式,计算相似度
2.相似度×邻居
3.未知物品i的打分：就是2的加权求和
基于性格的协同过滤算法：
利用用户性格信息计算用户相似度
同上，计算使用的基础信息不同
利用五大人格模型，不同性格维度具有不同分数
例如甲同学54321，乙同学12345
为了防止单一评分或性格的单因素不足
基于评分：
如3式：用户对物品i的一个评分
该式由以下两部分组成：
基于评分相似度算出来的一个预测得分
基于性格相似度算出来的预测得分
将计算得分进行加权求和
得出预测得分
基于相似度
4是基于评分相似度和用和性格相似度，进行加权求和
得出相似度，最后代入得出预测
数据集实验，在准确率和预测误差上表现较好，
红色：仅基于性格
蓝色：仅基于评分
绿色：评分加权
紫色：相似度加权
由实验数据可知一定程度上解决冷启动问题
仅仅是准确率上升仍有不足，需要解决推荐多样化问题：
捕捉用户兴趣，而不是清一色的一类单一影视
非个性化多样推荐算法
缺点分析：
对于这个三个不同的人，其实把推荐系统给他们做一些多样性调节的时候，这些多样性的程度是完全一样的。
比如说这个三位用户都是曾经喜欢看科幻片的，那么很有可能给他的是多样的，但是都是两部科幻片，一部爱情片，一部喜剧片，一部纪录片等等。
这种情况下面的忽视了他们的对于多样性的一个需求。
个性化多样推荐算法
基于这个用户的行为记录以及他们的性格信息来调整来个性化，他们推荐的多样性程度。
举个例子，比如说还是这个用户，他喜欢科幻片，如果他的性格是五大性格模型中近似正五边形（第一个）他有可能得到的推荐全是科幻片
1.先通过一个用户实验，我们去判断去验证到底是不是性格会影响到用户对于多样性偏好
2.设计一个动态的通用的，基于性格的推荐多样性调节策略
在冷启动和正常情况下去验证它的有效性。
得出，性格会影响到用户对于多样性偏好
1.预测用户对每一个物品i的偏好
2.用户多样性偏好
加权求和
精准度和多样性表现出色,提高个性化推荐
个性化界面
标准的排序列表界面：
界面顶端具有候选集，以手机为例;
一个华为P10的一个手机，会有手机很多属性，电池，大小，屏幕等属性
那么下面会显示和这个手机相关的一些手机其他手机信息。
这些信息以这种列表的形式一行一行的显示
这里的列表的排序顺序是根据列表当中的元素
按照物品和顶部候选物品的相似度来进行的，越相似，越会排在前面
缺点：
上部的物品比较容易受到更多的关注，下面的物品基本很难获得关注，如此用户难以意识到多样性。
基于区组织的界面：
顶部候选集：将相同属性的物品归为一组，每一组拥有一个标题，例如例子中的介绍，这一组的手机，它相对于顶部。这个候选集来说，他们屏幕大小可能更大一点，手机的电池续航能力更强，但是那价格看上去不是很好，更贵，他们会在每一组都会有这样的一个分类。
用户在这里更容易感受到推荐的多样性。
基于区组织的界面更让人满意
总之，不同人群对于不同界面的满意度不同
引入性格，提供个性化体验。
性格的隐式获取
情绪的隐式获取
