cos=w1(w1,w2)?w2||w1||||?||w2||||| role=”presentation” style=”text-align: center; position: relative;”>cos=w1(w1,w2)?w2||w1||||?|w2||cos(w1，w2)=w1?w2||w1|||?||w2||

1. 推薦系統(tǒng)的意義

” role=”presentation” style=”position: relative;">網(wǎng)絡(luò)爆炸階段信息過載的解決方案：

” role=”presentation” style=”position: relative;”>對于用戶來說：找到有趣的東西，協(xié)助決策，找到新的東西。
” role=”presentation” style=”position: relative;”>對于商家來說：提供人性化的服務(wù)，增強(qiáng)信任和粘性，增加收入。

2. 推薦系統(tǒng)的構(gòu)成

” role=”presentation” style=”position: relative;">前臺顯示頁面、后臺日志系統(tǒng)、推薦系統(tǒng)等部分，如圖所示：

3. 建議對系統(tǒng)進(jìn)行評估

3.1 離線試驗(yàn)

也就是線下部分，用來訓(xùn)練模型。

優(yōu)勢：

1. 無需對實(shí)際系統(tǒng)進(jìn)行控制；
2. 無需用戶參與感受；
3. 速度快，可以檢測大量算法；

缺陷：

1. 無法計(jì)算商業(yè)關(guān)注的指標(biāo)；
2. 離線試驗(yàn)指標(biāo)商業(yè)指標(biāo)存在差距；

3.2 用戶調(diào)查

優(yōu)勢：

1. 獲得很多反映客戶主觀感受的指標(biāo)；
2. 測試風(fēng)險(xiǎn)很低，發(fā)生錯(cuò)誤后很容易填補(bǔ)；

缺陷：

招募檢測客戶的成本較高；

設(shè)計(jì)雙盲試驗(yàn)比較困難，在試驗(yàn)環(huán)境中收集的試驗(yàn)指標(biāo)在現(xiàn)實(shí)環(huán)境中可能無法再現(xiàn)；

一般情況下，一個(gè)新的推薦系統(tǒng)最終上線需要經(jīng)過以上三個(gè)實(shí)驗(yàn)：

1） 在很多離線指標(biāo)上，通過離線實(shí)驗(yàn)證明其算法優(yōu)于當(dāng)前算法；

2） 根據(jù)用戶調(diào)查，確定其客戶滿意度不低于當(dāng)前算法；

3） 在我們關(guān)心的指標(biāo)上，通過在線AB檢測，確定其優(yōu)于當(dāng)前算法；

4 建議進(jìn)行系統(tǒng)評估

4.1 準(zhǔn)確度

1. RMSE(均方根誤差)，MAE(平均絕對誤差)
2. Top N推薦

” role=”presentation” style=”position: relative;">主要是：precison準(zhǔn)確度，recall召回率指標(biāo)
” role=”presentation” style=”position: relative;">準(zhǔn)確性是指在推薦的10條信息中，顧客真正感興趣的條數(shù)，召回率是指顧客真正感興趣的你推薦條數(shù)的比例。

下圖中R(U)為推薦，T(U)選擇用戶：

” role=”presentation” style=”position: relative;”>

有關(guān)更多信息，請參考：在機(jī)器學(xué)習(xí)中深入探討ROC和PR曲線

4.2 覆蓋率

” role=”presentation” style=”position: relative;">推薦的物品約占物品集合的比例；

4.3 多樣性

” role=”presentation” style=”position: relative;">推薦列表中物體兩組之間的差異；

4.4 原創(chuàng)、驚喜、實(shí)時(shí)、商業(yè)目標(biāo)等。

5. 推薦系統(tǒng)

5.1 基于內(nèi)容的推薦系統(tǒng)

優(yōu)勢：

1. 推薦基于顧客喜歡的物品的屬性/信息。
2. 需要對內(nèi)容進(jìn)行分析，不需要考慮用戶與客戶之間的聯(lián)系。

缺陷：

1. 要求內(nèi)容易抽取成有價(jià)值的特征，特征內(nèi)容具有良好的結(jié)構(gòu)性；
2. 無法很好地處理一詞多義和一義多詞帶來的語義問題；

步驟：

1. 建立一個(gè)推薦物品的特點(diǎn)。
2. 建立一個(gè)用戶喜歡的物品的特點(diǎn)。
3. 計(jì)算相似度

例如，文檔中常用的余弦相似性：

cos=w1∗(w1,w2);|w2|||||#x2217||||||;||w2||||| role=”presentation” style=”text-align: center; position: relative;”>cos=w1(w1,w2)?w2||w1|||?|w2||cos(w1，w2)=w1?w2||w1|||?||w2||

5.2 協(xié)同過濾

5.2.1 協(xié)同過濾基于用戶(UserCF)

算法步驟：

1. 找出與目標(biāo)用戶興趣相似的客戶集合，計(jì)算用戶的相似性；
2. 找出“近鄰”，對近鄰在新物品的評價(jià)(評分)加權(quán)推薦。

下面這個(gè)很直觀的例子：

兔與米老鼠最相似，則向米老鼠推薦兔喜愛的物品：

5.2.2 基于物體的協(xié)同過濾(ItemCF)

算法步驟：

1. 對有相同用戶互動(dòng)的物品，計(jì)算物體的相似性；
2. 找到物品“近鄰”，推薦。

衡量相似度：

協(xié)同過濾的對比：

在這些情況下，ItemCF可以在一定的前提下緩解冷啟動(dòng)，而且它更穩(wěn)定，而且更有說服力。

協(xié)同過濾的優(yōu)點(diǎn)

1. 基于用戶行為，推薦內(nèi)容不需要先驗(yàn)知識。
2. 只要使用者與商品相關(guān)矩陣，結(jié)構(gòu)緊湊。
3. 當(dāng)用戶行為豐富時(shí)，效果良好。

協(xié)同過濾缺陷

1. 需要大量的顯性/隱性用戶行為
2. 商品之間需要完全相同的聯(lián)系，類似的不行。
3. 假定顧客的興趣主要取決于以前的行為，而與當(dāng)前前后文環(huán)境無關(guān)。
4. 受數(shù)據(jù)稀疏影響?？蛇x擇二次關(guān)聯(lián)。

冷啟動(dòng)問題

對于新客戶

1. 對于新客戶來說，所有推薦系統(tǒng)都有這個(gè)問題。
2. 推薦很受歡迎的商品
3. 收集一些信息 在用戶注冊的時(shí)候收集一些信息
4. 用戶注冊后，使用一些互動(dòng)游戲等來決定喜歡和不喜歡。

對于新商品

1. 根據(jù)自己的屬性，尋求與原產(chǎn)品的相似性。
2. Item-可以推薦based協(xié)同過濾。

5.3 推薦系統(tǒng)基于矩陣分解。

” role=”presentation” style=”position: relative;">原理：根據(jù)現(xiàn)有的評分矩陣(很稀疏)，將其分解為低維用戶特征矩陣(評分者對每一個(gè)因素的喜好程度)和商品特征矩陣(商品包括每一個(gè)因素的水平)，然后反過來分析數(shù)據(jù)(客戶特征矩陣乘以商品特征矩陣獲得新的評分矩陣)以獲得預(yù)測結(jié)果；

SVD

” role=”presentation” style=”position: relative;">SVD的時(shí)間復(fù)雜度為O(m^3)M往往稀疏，有空缺值。簡單的方法就是把空缺值補(bǔ)上隨機(jī)值，然后svd就可以分解了，但是推薦效果一般，所以這個(gè)問題一般會轉(zhuǎn)化為優(yōu)化問題；同時(shí)，原始矩陣有0多個(gè)，不應(yīng)該用0填充。

矩陣分解

也就是說，給出一個(gè)損失函數(shù)，然后進(jìn)行優(yōu)化。

5.4 混合推薦

(1)加權(quán)混合： 根據(jù)一定的權(quán)重，使用線性公式組合幾種不同的推薦。具體權(quán)重值需要在測試數(shù)據(jù)集中反復(fù)測試，才能達(dá)到最佳的推薦效果；

(2)轉(zhuǎn)換混合:對于不同的情況(信息量、系統(tǒng)運(yùn)行情況、用戶和物體的數(shù)量等)。)，推薦策略可能有很大的不同，所以轉(zhuǎn)換混合方式是允許選擇最合適的推薦算法，在不同的情況下計(jì)算推薦；

(3)分區(qū)混合：采用多種推薦算法，并向用戶顯示不同的推薦結(jié)果；事實(shí)上，Amazon，當(dāng)當(dāng)網(wǎng)等許多電子商務(wù)網(wǎng)站都采用這種方式，用戶可以得到非常全面的推薦，也更容易找到自己想要的東西；

(4)分層混合:采用多種推薦算法，將一種推薦算法的結(jié)果作為另一種輸入，然后綜合每種推薦算法的優(yōu)缺點(diǎn)，獲得更準(zhǔn)確的推薦；

參考資料：
1. 七月在線推薦系統(tǒng)原理與應(yīng)用
2. 推薦系統(tǒng)