推薦系統(tǒng)就是用戶有一個需求中狂， 系統(tǒng)返回相關的item的系統(tǒng)。 推薦系統(tǒng)是非常重要的扑毡， 如在商場中吃型， 商家需要決定需要上市的商品， 一件商品如果是冷門了僚楞， 它占了貨架而沒帶來額外的利潤勤晚， 最終使商家損失。 在推薦系統(tǒng)中泉褐， 存在Long tail 的現(xiàn)象赐写， 即銷量好的東西集中在一個部分， 而其它的商品“銷量慘淡”膜赃。 因此挺邀， 對于線下銷售來說， 需要進行cut off跳座， 只上架熱銷的商品端铛。 在online的銷售中， 就不存在需要cut off的問題了疲眷， 因為我們的資源非常充足禾蚕。
總體而言， 推薦系統(tǒng)分為三類： Editorial and hand curated, 即手工推薦狂丝， 舉例： 書店的員工會把同類的書放在一起换淆， 這相當于一種推薦了； Simple aggregates 簡單的融合几颜， 如考慮這周的top 書單倍试， 然后推薦給用戶； Tailored to individual users 個性化推薦蛋哭， 這是最常見的县习， 考慮了用戶的興趣及行為， 可挖掘的信息也比較多。
簡單來說躁愿， 一個推薦系統(tǒng)就是對X與S之間算一個相似度評分哈蝇！那么首先就是收集信息了， 有了信息特征攘已， 才能計算衡量相似度炮赦。 若收集數(shù)據(jù)不夠充分， 還要考慮如何補充样勃， 這個時候我們更多的考慮highly unknown ratings吠勘。 一旦數(shù)據(jù)收集完成， 搭建好了一個系統(tǒng)峡眶， 那么如何評價推薦效果就是接下來及其重要的一步了剧防。接下來介紹的是Content-based的推薦系統(tǒng)。
下面是一個簡單的例子辫樱， 從用戶的profile得知他喜歡的item的profile并且從中提取特征峭拘， 然后進行推薦。
先講協(xié)同過濾
-
協(xié)同過濾思想是比較簡單的狮暑， 給定x鸡挠， 找到與x相近的集合N， 然后從集合N中找到公共的元素搬男， 進行推薦拣展。 主要有兩種協(xié)同過濾： user-user and item-item。
collaborative -
定義相似度缔逛。Jaccard只計算共同出現(xiàn)备埃， 而不考慮評分是否一致。 cosine similarity將missing value評為0. 用皮爾森相關系數(shù)是比較好的褐奴， 缺失值用均值代替按脚。 注意： 樣本減去均值， cosine就跟pearson等價了敦冬！
similarity -
接下來就是做推薦了辅搬。一種是user-user, 另外一種是item-item。 user-user就是加權平均相近用戶的評分匪补， 得到user的評分伞辛。
recommend -
item-item的一種方法是跟user-user一樣烂翰。 根據(jù)item i的特征夯缺， 找出用戶x有評價的商品中跟item i評分接近的item。 然后根據(jù)item之間的相似度作為權重因子甘耿， 乘上用戶的評分踊兜。
another -
例子。下面的例子是用item-item估計用戶5對movie 1的評分佳恬。 基本步驟就是用皮爾森相關系數(shù)衡量用戶5有評分的movie之間的相似度捏境， 然后進行加權平均于游， 這樣就得到了用戶的評分了。 以上是從行的觀點來看垫言； user-user是從列的觀點來看贰剥， 這種一種對偶的做法： 找到對movie 1 有評分的用戶中與用戶5接近的， 然后用其它用戶的評分加權平均作為用戶5的評分筷频。 可以看出來user-user受其它用戶的影響比較大蚌成， 而item-item利用的是用戶本身對其它商品的評價來得到評價， 在實際應用中這種做法是比較好的凛捏。
example
example -
協(xié)同過濾的好處是不用構建特征担忧， 但是存在如下的問題：需要足夠的用戶評分來構建系統(tǒng)； 矩陣是稀疏的坯癣， 找到有評價的相鄰用戶是困難的瓶盛； 一個新來的item是無法進行評價的， 因為沒有用戶評分示罗； 趨于推薦popular item惩猫。
pros/cons -
在實際中， 為了解決上述提到的問題蚜点， 引入全局統(tǒng)計信息帆锋， 評分的公式是用如下的公式的。 u是整個系統(tǒng)的用戶的評分的均值禽额， bx是用戶x對均值u的偏移量(也就是用戶對系統(tǒng)全部用戶評分的偏移）锯厢， bi是該item對均值u的偏移量。 最終對global 信息和協(xié)同過濾的評分相加作為最終的評分脯倒。
practice
