什么是推薦系統(tǒng)

推薦系統(tǒng)是用來(lái)聯(lián)系用戶和信息缀皱，解決信息過(guò)載，挖掘長(zhǎng)尾信息的一種系統(tǒng)绑咱。

如何評(píng)價(jià)一個(gè)推薦系統(tǒng)

通常來(lái)說(shuō)評(píng)價(jià)一個(gè)推薦系統(tǒng)好壞是通過(guò)以下指標(biāo)來(lái)進(jìn)行的：
準(zhǔn)確度
召回率
覆蓋率
新穎性
多樣性
健壯性
信任度
實(shí)時(shí)性

推薦系統(tǒng)的常用架構(gòu)

聯(lián)系用戶和物品的推薦系統(tǒng)

推薦系統(tǒng)的常用方法

推薦系統(tǒng)有非常多的方法刑桑，比較基礎(chǔ)比較通用的是以下幾種：

1.基于內(nèi)容的推薦
2.基于物品的協(xié)同過(guò)濾推薦
3.基于用戶的協(xié)同過(guò)濾推薦
4.基于標(biāo)簽的推薦

1.基于內(nèi)容的推薦：

基于內(nèi)容的推薦是比較基礎(chǔ)的一種推薦策略。如果你瀏覽或購(gòu)買過(guò)某種類型的內(nèi)容募舟，則給你推薦這種類型下的其他內(nèi)容祠斧。如果內(nèi)容是文本信息類，就需要先通過(guò)自然語(yǔ)言技術(shù)抽取關(guān)鍵詞拱礁，建立關(guān)鍵詞向量琢锋。
計(jì)算內(nèi)容相似度的方法：
將關(guān)鍵詞計(jì)算空間向量模型，量化物品內(nèi)容的相似度觅彰。

基于內(nèi)容推薦的優(yōu)點(diǎn)：
新穎性較高吩蔑，當(dāng)用戶的行為強(qiáng)烈受某一內(nèi)容屬性影響時(shí)，內(nèi)容過(guò)濾算法精度上可超過(guò)協(xié)同過(guò)濾算法
基于內(nèi)容推薦的缺點(diǎn)：
內(nèi)容過(guò)濾算法 忽視了用戶行為填抬，物品流行度及用戶行為中包含的規(guī)律，精度比較低隧期。

2.基于物品的協(xié)同過(guò)濾推薦

基于物品的協(xié)同過(guò)濾與傳統(tǒng)的基于內(nèi)容過(guò)濾直接分析內(nèi)容進(jìn)行推薦不同飒责，協(xié)同過(guò)濾會(huì)分析系統(tǒng)已有數(shù)據(jù)赘娄，并結(jié)合用戶表現(xiàn)的數(shù)據(jù)，對(duì)該指定用戶對(duì)此信息的喜好程度預(yù)測(cè)宏蛉。
計(jì)算基于物品的協(xié)同過(guò)濾推薦的方法

公式

這里N(u)表示用戶有關(guān)聯(lián)的商品的集合遣臼，Wji表示物品j和i的相似度，Rui表示用戶u對(duì)物品i的打分拾并。打分規(guī)則，往往由業(yè)務(wù)來(lái)確定即可，物品相似度規(guī)則往往是使用“對(duì)物品j發(fā)生正向反饋的用戶和對(duì)物品i 發(fā)生正向反饋的用戶交集除以對(duì)物品i發(fā)生正向反饋的用戶”贮聂，但這里通常還需要對(duì)熱門物品降權(quán)揭北，活躍用戶降權(quán)等等。

3.基于用戶的協(xié)同過(guò)濾推薦

基于用戶的協(xié)同過(guò)濾之碗，通過(guò)用戶對(duì)不同內(nèi)容的行為蝙眶，來(lái)評(píng)測(cè)用戶之間的相似性，基于用戶之間的相似性做出推薦褪那。這部分推薦本質(zhì)上是給相似的用戶推薦其他用戶喜歡的內(nèi)容幽纷。

計(jì)算基于用戶的協(xié)同過(guò)濾推薦的方法

公式

這里N(i)表示對(duì)物品i有過(guò)行為的用戶集合，Wuv使用用戶u和用戶v的相似度博敬，Rvi表示用戶v對(duì)物品i的打分友浸。同理，打分規(guī)則由業(yè)務(wù)來(lái)確定即可偏窝，計(jì)算用戶之間的相似度可以使用“用戶u發(fā)生正反饋的物品與用戶v發(fā)生正反饋的物品交集除以兩者的并集”尾菇，同樣需要考慮對(duì)熱門物品，活躍用戶降權(quán)的問(wèn)題囚枪。

4.基于標(biāo)簽的推薦

基于標(biāo)簽的推薦派诬，主要是通過(guò)標(biāo)簽這種特征形式去聯(lián)系用戶和物品，給用戶推薦那些具有用戶喜歡的特征的物品链沼。所以計(jì)算標(biāo)簽推薦的方法是建立用戶和標(biāo)簽之間的關(guān)聯(lián)度默赂，再計(jì)算標(biāo)簽與物品之間的關(guān)聯(lián)度，兩者相乘即為用戶對(duì)某物品的感興趣程度括勺。

關(guān)于物品和用戶的協(xié)同過(guò)濾對(duì)比

性能
userCF（基于用戶的協(xié)同過(guò)濾） 適用于用戶較少的場(chǎng)景缆八，否則計(jì)算用戶相似度矩陣代價(jià)很大
itemCF（基于物品的協(xié)同過(guò)濾） 物品數(shù)明顯小于用戶數(shù)的場(chǎng)合，否則物品相似度矩陣代價(jià)很大

領(lǐng)域
userCF 時(shí)效性較強(qiáng)疾捍，適用于用戶個(gè)性化興趣沒(méi)有那么明顯的領(lǐng)域奈辰。
itemCF 適合長(zhǎng)尾物品豐富，用戶個(gè)性化需求更強(qiáng)烈的領(lǐng)域

實(shí)時(shí)性
userCF用戶有新行為乱豆，不一定使推薦結(jié)果立即變化
itemCF用戶有新行為奖恰，一定會(huì)導(dǎo)致推薦結(jié)果的實(shí)時(shí)變化

冷啟動(dòng)
新物品上線：
userCF新物品上線后，只要有用戶對(duì)其產(chǎn)生了行為，那該新物品就能夠推薦給相似的用戶
itemCF 不更新物品相似度表的情況下無(wú)法將新物品推薦給用戶
新用戶上線：
userCF 新用戶一開(kāi)始對(duì)物品產(chǎn)生行為瑟啃，無(wú)法對(duì)其進(jìn)行推薦
itemCF 新用戶對(duì)物品產(chǎn)生行為论泛，就能推薦跟該物品相似的其他物品給用戶

寫在最后

推薦系統(tǒng)的大概知識(shí)就介紹到這里了，還有一些基于時(shí)間上下文的協(xié)同過(guò)濾推薦蛹屿，隱語(yǔ)義模型屁奏，基于社交網(wǎng)絡(luò)的推薦等等就沒(méi)再介紹。推薦系統(tǒng)是一個(gè)典型的知易行難的領(lǐng)域错负，不同的公司不同的業(yè)務(wù)在實(shí)際應(yīng)用中會(huì)有各種各樣的坑坟瓢，這些坑不會(huì)寫在書/論文里，通用的方法不經(jīng)打磨很難在實(shí)際場(chǎng)景中應(yīng)用犹撒，而建立個(gè)性化推薦系統(tǒng)也未必比部分的人工規(guī)則有多大的優(yōu)勢(shì)折联。