推荐系统| 概述

1. 推荐系统的目的

信息过载

推荐系统

• 推荐系统是信息过载所采用的措施，面对海量的数据信息，从中快速推荐出符合用户特色的物品。解决一些人的“选择恐惧症”；面向没有明确需求的人。
• 解决如何从大量信息中找到本身感兴趣的信息。
• 解决如何让本身生产的信息脱颖而出，受到大众的喜好。

 目的：

• 让用户更快更好的获取到本身须要的内容
• 让内容更快更好的推送到喜欢它的用户手中
• 让网站（平台）更有效的保留用户资源

                 

2. 推荐系统的基本思想

• 利用用户和物品的特征信息，给用户推荐那些具备用户喜欢的特征的物品。
• 利用用户喜欢过的物品，给用户推荐与他喜欢过的物品类似的物品。
• 利用和用户类似的其余用户，给用户推荐那些和他们兴趣爱好类似的其余用户喜欢的物品。

知你所想，精准推送

• 利用用户和物品的特征信息，给用户推荐那些具备用户喜欢的特征的物品。

物以类聚

• 利用用户喜欢过的物品，给用户推荐与他喜欢过的物品类似的物品。

人以群分

• 利用和用户类似的其余用户，给用户推荐那些和他们兴趣爱好类似的其余用户喜欢的物品。

 

3. 推荐系统的数据分析

                   

 

 

• 要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；
• 系统用户的基本信息，例如性别，年龄，兴趣标签等
• 用户的行为数据，能够转化为对物品或者信息的偏好，根据应用自己的不一样，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能够分为两类：

　　　　　　①显式的用户反馈：这类是用户在网站上天然浏览或者使用网站之外，显式的提供反馈信息，例如用户对物品的评分，或者对物品的评论。
　　　　　　②隐式的用户反馈：这类是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爱，例如用户购买了某物品，用户查看了某物品的信息等等。

4. 推荐系统的分类

• 根据实时性分类

　　　　离线推荐
　　　　实时推荐

• 根据推荐原则分类

　　　　基于类似度的推荐
　　　　基于知识的推荐
　　　　基于模型的推荐

• 根据推荐是否个性化分类

　　　　基于统计的推荐
　　　　个性化推荐

• 根据数据源分类

　　　　基于人口统计学的推荐
　　　　基于内容的推荐
　　　　基于协同过滤的推荐

     

 

混合推荐

实际网站的推荐系统每每都不是单纯只采用了某一种推荐的机制和策略，每每是将多个方法混合在一块儿，从而达到更好的推荐效果。比较流行的组合方法有：
加权混合

• 用线性公式（linear formula）将几种不一样的推荐按照必定权重组合起来，具体权重的值须要在测试数据集上反复实验，从而达到最好的推荐效果

切换混合

• 切换的混合方式，就是容许在不一样的状况（数据量，系统运行情况，用户和物品的数目等）下，选择最为合适的推荐机制计算推荐

分区混合

• 采用多种推荐机制，并将不一样的推荐结果分不一样的区显示给用户

分层混合

• 采用多种推荐机制，并将一个推荐机制的结果做为另外一个的输入，从而综合各个推荐机制的优缺点，获得更加准确的推荐

 

5. 推荐系统评测

• 让用户更快更好的获取到本身须要的内容
• 让内容更快更好的推送到喜欢它的用户手中
• 让网站（平台）更有效的保留用户资源

6. 推荐系统实验方法

离线实验

• 经过体制系统得到用户行为数据，并按照必定格式生成一个标准的数据集
• 将数据集按照必定的规则分红训练集和测试集
• 在训练集上训练用户兴趣模型，在测试集上进行预测
• 经过事先定义的离线指标评测算法在测试集上的预测结果

用户调查

• 用户调查须要有一些真实用户，让他们在须要测试的推荐系统上完成一些任务；咱们须要记录他们的行为，并让他们回答一些问题；最后进行分析

在线实验

• AB测试

 

7. 推荐系统评测指标

预测准确度、用户满意度、覆盖率、多样性、惊喜度、信任度、实时性、健壮性、商业目标

推荐准确度评测

评分预测

• 不少网站都有让用户给物品打分的功能，若是知道用户对物品的历史评分，就能够从中学习一个兴趣模型，从而预测用户对新物品的评分
• 评分预测的准确度通常用均方根偏差（RMSE）或平均绝对偏差（MAE）计算

                  

Top-N推荐

• 网站提供推荐服务时，通常是给用户一个个性化的推荐列表，这种推荐叫作 Top-N推荐
• Top-N推荐的预测准确率通常用精确率（precision）和召回率（recall）来度量

准确率、精确率和召回率

　　假如某个班级有男生80人,女生20人,共计100人，目标是找出全部女生。如今某人挑选出50我的，其中20人是女生，另外还错误的把30个男生也看成女生挑选出来了。那么怎样评估他的工做？
　　将挑选结果用矩阵示意表来表示 ： 定义 TP，FN，FP，TN 四种分类状况：

              

准确率(accuracy)

• —— 正确分类的 item 数与总数之比：
• A = (20+50) / 100 = 70%

精确率(precision)

• ——全部被检索到的 item 中，"应该被检索到"的 item 占的比例：
• P = 20 / (20+30) = 40%

召回率(recall)

• ——全部检索到的 item 占全部"应该检索到的item"的比例：
• R = 20 / (20 + 0) = 100%