推荐系统：recommendation system

1 推荐系统背景

为了解决 信息过载 问题，在海量的数据中如何准确提供客户喜欢的内容。为了解决该问题，发展主要有三个阶段。

• 分类目录：1990s Hao 123 Yahoo
• 搜索引擎：2000s Google Baidu
• 推荐系统：2010s 不需要客户提供准确的信息，通过分析客户的历史行为来进行对用户的兴趣建模，从而提供客户满意的信息。

2 推荐和搜索的区别

• 搜索引擎：由用户主导，需要输入关键词，自行选择结果。如果结果不满意，需要修改关键词，再次搜索；注重搜索结果之间的关系和排序。
• 推荐系统：由系统主导，根据用户的浏览顺序，引导用户发现自己感兴趣的信息，需要研究用户的兴趣模型，利用社交网络的信息进行个性化的计算；

3 推荐系统的意义

主要有三个意义，分别从用户，内容提供者，平台

• 让用户更好的获取自己需要的内容
• 让内容更快更好的推动到适用人群
• 让平台跟有效的保留用户资源

4 推荐系统的应用

5 基本思想

• 知你所想，精准推送
  利用用户和物品的特征信息，推荐具有这些特征的信息
• 物以类聚
  利用用户喜欢的物品，推荐类似的物品
• 人以群分
  利用和用户相似的其他用户，基于他们的特征进行推荐

6 数据源

三类数据源： 用户，物品，行为数据

• item数据：待推荐物品或内容的元数据，例如关键字，分类标签，基因描述等;

• User 数据：用户的基本信息，例如性别，年龄，兴趣标签等；

• 行为数据：可以转化为对物品或者信息的偏好，根据应用本身的不同可能包括用户对物品的评分，用户查看物品的记录，用户的购买记录等。这些用户的偏好信息可以分为两类:

  • 显式的用户反馈：用户在网站上显式的反馈信息，例如用户对物品的评分，对物品的评论。
  • 隐式的用户反馈：用户在使用网站是产生的数据，隐式的反应了用户对物品的喜好，例如用户购买了某物品，用户查看了某物品的信息等等。

7 推荐系统的分类

1.根据实时性分类

• 离线推荐
• 实时推荐

2 是否个性化推荐

• 基于统计的
• 个性化推荐

3 根据推荐原则分类

• 基于相似度
• 基于知识
• 基于模型

4 根据数据源

• 基于人口统计学（用户信息）
• 基于内容的推荐（商品信息）
• 基于协同过滤的推荐 （基于行为数据）

1.基于人口统计学：

2.基于内容（Content Based，CB）：

主要是利用用户评价过的物品内容的特征，CF还可以利用其他用户评价过的物品内容。

3.基于协同过滤：collaborative filtering，CF

• 基于近邻的协同过滤
  • 基于用户（User-CF）
  • 基于物品（Item-CF）
• 基于模型的协同过滤
  • 奇异值分解（SVD）
  • 潜在语义分解（LSA）
  • 支持向量机（SVM）

4.混合推荐，就是集成学习（ensemble learning）

• 加权混合
  对不同的推荐结果按照权重线性加权
• 切换混合
  多套推荐机制，根据系统的不同情况选择最合适的推荐机制
• 分区混合
  采用多种推荐机制，将不同的推荐结果推送到不同的用户
• 分层混合
  采用多种推荐机制，将一个机制的推荐结果作为另外一个的输入，类似boosting，串行学习？？

---

下一篇：推荐系统（2）——评测指标