推荐系统实践（项亮）— 第1章 好的推荐系统

1.1 什么是推荐系统

 （1）解决信息过载的三种方式：

1. 分类目录（雅虎）
2. 搜索引擎（谷歌）：知足用户有明确目的时的主动查找请求；
3. 推荐系统：用户没有明确目的时帮助他们发现感兴趣的内容。

（2）推荐系统能够更好的发掘商品的长尾

　　传统2/8理论受到挑战。互联网条件下，因为货架成本极端低廉，电子商务网站每每能出售比传统零售店更多种类的商品。与传统零售业相比，电商的长尾商品数量极其庞大，这些长尾的总销售额甚至能超过热门商品。

　　推荐系统经过发掘用户的行为，找到用户的个性化需求，从而将长尾商品准确地推荐给须要它的用户，帮助用户发现那些他们感兴趣但很难发现的商品。

　　推荐算法的本质是经过必定的方式将用户和物品联系起来，不一样的推荐系统利用了不一样的方式。

1.2 个性化推荐系统的应用

（1）推荐系统由前台展现页面、后台的日志系统以及推荐算法3部分构成 。

• 电子商务
  • 主要应用有:
    1. 个性化商品推荐列表：基于物品，基于好友；
    2. 相关商品推荐列表（cross selling）：使用了不一样用户行为计算物品的相关性；
    3. 打包销售：推荐一套商品，打包购买打折；
• 电影和视频网站：基于物品的推荐，推荐用户喜欢的类似的电影。

• 个性化音乐网络电台

  • 个性化推荐成功应用的两个因素

    1. 存在信息过载
    2. 用户大部分时候没有明确需求

    个性化网络电台很是符合上诉两项

  • 设计上不容许点歌，而是给用户必定形式的反馈（喜欢、不喜欢、跳过），通过用户必定时间的反馈，电台就能够从用户的历史行为中习得用户的兴趣模型，从而使用户的播放列表愈来愈符合用户对歌曲的兴趣。
  • Pandora 根据专家标注的音乐基因来计算歌曲类似度；Last.fm给用户推荐和他有类似听歌爱好的其余用户喜欢的歌曲，利用用户行为。
  • 音乐推荐的特色：物品空间大/种类多/不需全神贯注消费 / 物品重用率高 / 上下文相关（包括用户当时的心情，好比沮丧的时候喜欢听励志的歌曲，和所处情境好比睡觉前喜欢听轻音乐） / 次序比较重要 / 高度社会化 （分享本身喜欢的音乐）
• 社交网络
  • 主要应用：
    1. 利用用户的社交网络信息对用户进行个性化的物品推荐
    2. 信息流的会话推荐（推荐评论、好友状态等）：尽可能看到熟悉好友的最新会话
    3. 给用户推荐好友
• 个性化阅读

　　个性化阅读一样符合前面提出的须要个性化推荐的两个因素：用户面临信息过载的问题；用户不少时候并无必须看某篇具体文章的需求，只是想了解该领域。

　　新闻类的阅读要有很强的时效性。

• • 用户关注本身兴趣的人，而后看关注用户看的文章；

  • 收集用户对文章的偏好，根据反馈数据不断更新用户个性化列表；
  • 根据用户之间兴趣类似度，给用户推荐和他兴趣类似的用户喜欢的文章；
• 基于位置的服务：上下文信息，位置和社交网络的结合。
• 个性化邮件：优先级收件箱，先浏览重要的，再浏览其余。
• 个性化广告
  • 个性化广告投放技术：
    1. 上下文广告：经过分析用户正在浏览的网页内容，投放和网页内容相关的广告。表明系统是谷歌的Adsense。
    2. 搜索广告：经过分析用户在当前会话中的搜索记录，判断用户的搜索目的，投放和用户目的相关的广告。
    3. 个性化展现广告：根据用户的兴趣标签，对不一样用户投放不一样的展现广告。

 1.3 推荐系统评测

　　一个完整的推荐系统通常存在3个参与方：用户、网站、内容提供方。要考虑三方面的利益。好的推荐系统准测用户的行为，且扩展用户的视野，帮助用户发现他们感兴趣且不容易发现的东西；帮助商家将埋没在长尾中的好商品推荐给可能对他感兴趣的用户；推荐系统自己收集反馈，完善推荐质量，增长交互，提升收入。

• 推荐系统实验方法：
  1. 离线实验
  2. 用户调查
  3. 在线 A/B test
• 评测指标：
  1. 用户满意度
     　　能够以问卷的形式；通常状况下用点击率、用户停留时间和转化率等指标度量用户的满意度。
  2. 预测准确率：在训练集上创建用户的行为和兴趣模型预测用户在测试集上的行为，并计算预测行为和测试集上实际行为的重合度做为预测准确率。
  • 评分预测: RMSE / MAE
    
  • TopN 推荐：准确率 、召回率， 准确率、召回率曲线。
  • 推荐目的是找到用户最有可能感兴趣的电影，而不是预测用户看了电影后会给怎样的分数（就是有的电影用户感兴趣，但看了以后给的评分会低，这个也要推荐）。
  3. 覆盖率
     • 描述一个推荐系统对物品长尾的发掘能力。覆盖率有不一样的定义方法，最简单的定义为推荐系统可以推荐出来的物品占总物品集合的比例。
     • 覆盖率是一个内容提供商会关心的指标，推荐系统不只有较高的用户满意度，还有较高覆盖率。
     • 覆盖率的其它定义: P27 
  • 推荐系统的马太效应：推荐系统的初衷是但愿消除马太效应，使得各类物品都能被展现给对它们感兴趣的某一类人群。可使用基尼系数来判断是否有明显的马太效应。
  4. 多样性
     　　为了知足用户普遍的兴趣，推荐列表须要可以覆盖用户不一样的兴趣领域。多样性描述了推荐列表中物品两两之间的不类似性。
  5. 新颖性：但愿在不牺牲准确率的前提下提升多样性和新颖性。
     
  6. 惊喜度：与历史兴趣不类似，但用户满意
  7. 信任度
     　　提升推荐系统信任度的方式有增长推荐系统的透明度（提供推荐的解释）；考虑用户的社交网络信息，利用好友信息给用户作推荐，而且用好友进行推荐解释。
  8. 实时性：新闻，微博等。
  9. 健壮性
     • 反做弊
  10. 商业指标：给公司带来盈利。
  11. 总结
      • 
        指标总结
• 评测维度
  　　在推荐系统评测报告中包含不一样维度下的系统评测指标，能帮咱们全面地了解推荐系统性能。
  • 用户维度：主要包括用户的人口统计学信息、活跃度以及是否是新用户等。
  • 物品维度：包括物品的属性信息、流行度、平均分以及是否是新加入的物品等。
  • 时间维度：包括季节，是工做日仍是周末，是白天仍是晚上等。