本文是笔者阅读《推荐系统实战》后的一篇读书笔记，包括了笔者的一部分浅显思考。书质量很是不错，有问题欢迎指正！算法
推荐系统通常有两种：一种是预测用户评分，另外是给出TopN，但后者会更频繁更有用。由于预测分数并不能怎么样。“重点是他看了，而不是评价”。下面都以TopN为主。网络
衡量推荐系统有四个基本指标：机器学习
更高级别的：性能
如今主流推荐算法都有马太效应：强者越强，弱者越弱，会形成基尼系数的进一步提高。学习
用户购买的物品，能够记作矩阵。就有了ItemCF和UserCF，即经常使用的协同过滤。简单说，购买了类似物品的用户越类似，被用户同时购买的商品更类似。网站
对大部分东西的热度曲线，都呈现长尾效应：指数曲线。占20%的物品占据了80%的流量。越是重度用户，越会关心那些冷门的信息。spa
UserCF的推荐更社会化， 反映了用户在小型团体中兴趣的程度；和本身类似的人喜欢的，本身也喜欢。 ItemCF的推荐更个性化，反映了用户本身的兴趣：必定会喜欢购买相似的商品。设计
算法看似简单，但都有共同的问题，好比物品和物品是不一样的，新华字典的信息量确定没有《机器学习》来得大；人和人也是不一样的，一个书商购书行为，也和普通的文艺青年有所区别。所以，须要特别去调整频繁用户/物品的权重，避免污染整个数据集。日志
另外，若是物品特别多或更新频繁，就去更新用户矩阵。而若用户特别多，则可用物品矩阵。简而言之，没有最合适的方法，都须要根据具体业务场景来定义规则。排序
K值越大，须要考虑的用户和商品就越多，显然，对UserCF,能够提高覆盖率，但不必定能提高召回。对ItemCF, K越大会下降覆盖率（为何？）。
选择一个合适的K很重要。ItemCF的好处是其可解释性。
简单说，若是用户以前喜欢科技类书籍，那么就能够给他打标签，科技，以后便可推荐科技类书籍。
但问题是：
这就是隐语义，能够经过相似聚类的方法，将Item作分类，但标签不必定是可解释的，也就是所谓的“隐”，即LFM。
LFM经过以下公式计算用户对某个商品的兴趣：
$Preference= p_u^Tq_i = \sum_(p_(u,k))^(i_(k,u)) $
分为两步， 其中\(P_(u,k)\) 度量了用户u的兴趣和k个隐变量的关系， \(q_(i,k)\) 度量了k个隐变量和商品i的关系。相似传导。很像SVD分解后的S矩阵和D矩阵。
这基本上把它当成了打分的问题（分类），可是负样本从哪里来？一些网站可经过“踩”表达负向，但不少时候只有正向。 负向可经过采样实现，比较好的实践方法：
以后便可经过SGD最小化均方偏差(SGD简直万能)。LFM比ItemCF和UserCF效果都好，但样本稀疏时，可能效果就不如了。另外，提高负样本的比率可有效提高系统的准确率和召回率。
ItemCF和UserCF都只考虑了一层关系，但朋友的朋友若是也喜欢同样东西是否是我也会喜欢它呢？基于图的算法，比那几种考虑的更多。固然，计算量也更大。
方法是随机游走，将i和u都当作图上的点，有必定的几率转移和停顿，则通过屡次迭代，每一个节点被访问到的几率会逐渐趋于定值。称做PersonalRank算法。
可是，计算量太大，方法就是求逆矩阵。
当系统刚刚创建，数据并不彻底，所以不少计算没法实施，尤为是ItemCF。
两种解决办法：
注册时提交喜爱信息，构建成最适合分类的二叉树，从而快速肯定用户的基本兴趣。
注册时提供基本信息，系统可根据性别/年龄和国籍来进行初步推荐。
对商品进行分类，利用商品特征，作出关键词向量，开发线性分类器。向量空间模型的特色是简单容易实现，但却丢失了一些信息。 相比于协同过滤，它的性能低不少。
可是这也不必定，好比GitHub，可能会fork同一个做者的多个项目，所以将做者做为特征，能够很是强地模拟协同过滤。
LDA也能够对话题作出分类，这种方法比向量空间模型更为高级，可是其内部的数学原理，还需挖掘（待学习）。
另外是专家系统，经过专家对不一样维度进行打标，解决冷启动，这也有不少成功的案例。若是item较少，这种方式是很可行的。
冷启动表明了一系列问题，处理它须要必定的经验。
先理清UGC的概念，是User Generated Content的简称。标签是一种经常使用的方法，便于解释，用户可以方便地为商品打标，提高用户互动。
通常来讲，标签能够由系统自动产生（NLP），也能够由用户手工添加，包括如下类型：做者，主题，时间，评价，是否喜好等。
统计用户最经常使用的标签，对每一个标签，统计被打过这些标签的最多的商品，而后把这些商品推荐给用户。
标签会随着系统发展，变得愈来愈多。所以类似的标签须要合并，不合理的标签要去掉，太过广泛的标签会被降权。
若是用户给的标签太少，则能够在已有的标签上，给出更多新的标签。
标签至关因而个纽带。一样标签也能被推荐，方法也很简单。
用户在不一样场景下，心情是不一样的。所以行为和音乐确定也有所区别。实时性很是重要，此时，推荐系统变成了时变系统。
当用户对某个物品发生了点击时，就会触发一次推荐的更新，这种实时回流很是重要。是如何实现的呢？
显然维基百科和youtube的物品时变速率大大不一样。新闻比电影的时变性更强。判断系统时变性有两种方法，T天以内，天天和前一天该物品的特征向量求类似度数值，能够扫出一条曲线。
最简单的，在推荐列表中，一部分是推荐的，一部分是随机的。
当用户看过某件商品，就会对其作降权。不少推荐系统没法获得更多的回流数据，致使重复推荐。
每次都使用不一样的推荐算法来推荐。
最近的行为，对此次的类似度贡献要比更早的行为更多。
固然，推荐系统要首先保证精度，再考虑推荐的实时性。
一些场景对地点很敏感，例如餐馆商场等。本地新闻也会提高用户的粘性。这个问题比较复杂，有一些方法能解决这个问题：
设计多层分类器，例如江苏南京用户，先对总体用户作推荐，再对中国用户推荐，再对江苏，最后是南京，几种模型进行叠加，最终生成结果。但问题是到分类树的枝杈时，数据已经很是稀疏了。
包括三个部分：UI，日志系统和推荐系统。
三个级别： 用户，特征，商品。先从用户生成特征，再经过特征找到商品。
三个步骤： 推荐，过滤，排序。
多个推荐系统能够进行投票，最终能够作推荐系统的推荐系统，按照不一样用户的需求生成推荐
新闻有其独特的特色： 不断有新文章进来，以后又不断过时。实时性很高。ItemCF彷佛不可行。
用户会喜欢多个类目，但一旦热门新闻过来，门类反而不重要了。甚至一些观点认为，天天最热门的物品已经吸引了绝大多数用户的眼球，长尾物品不多获得用户关注。
而新闻自己的质量很是重要。一般好文章的阅读数远大于其余文章（长尾效应，二八原则）
若是没有社交信息，UserCF就也变得不可靠了。
须要对文章的做者提供适当的保护，不然马太效应明显。
拥有众多埋点行为可供参考，例如该页面停留时间，用户滑动行为，点击/点赞/踩。
从整本书，咱们可以分析一些通用的思路。
经过向量能够计算类似度，用共现可计算关系。可是，须要对热门u或i作惩罚，TF/IDF是个很好的思路。它不只能用于词汇，还能用于各类离散化的，对顺序无要求的系统中。
计算一个网络中多个节点的关系，能够用PersonalRank来实现，即随机游走。随机游走须要定义启动几率，通常是相同的。这种算法的好处，是可以评估横跨多个节点的弱关系。虽然图距离较远，但由于路径权重较大，颇有可能距离比直接节点还要近。
推荐系统是与人打交道的系统，如何提高交互的质量很是重要，例如可解释性。系统设计人员须要对业务有深刻的了解，例如电商推荐，商品的降价信息可能会极大地影响推荐的效果。但这个特征彷佛被忽视了。
太过复杂的算法，效果可能不必定好，由于可能没法知足实时性要求。或是在工程上成本过高，反而抵消了复杂算法实现的效果。
为何推荐系统会发布那么多论文，由于这里可变的参数实在太多了，而使用的环境又变幻无穷，上下文也会改变，很是适合大量的水论文。