推荐系统入门

1. 推荐系统的意义

” role=”presentation” style=”position: relative;”>互联网大爆炸时期的信息过载的解决方案：

” role=”presentation” style=”position: relative;”>对用户而言：找到好玩的东西，帮助决策，发现新鲜事物。
” role=”presentation” style=”position: relative;”>对商家而言：提供个性化服务，提高信任度和粘性，增加营收。

2. 推荐系统的构成

” role=”presentation” style=”position: relative;”>前台的展示页面，后台的日志系统，推荐算法等部分组成，如下图所示：

3. 推荐系统的评测

3.1 离线实验

即线下的部分，用于训练模型

优点：

1. 不需要有对实际系统的控制权；

2. 不需要用户参与体验；

3. 速度快，可以测试大量算法；

缺点：

1. 无法计算商业上关心的指标；

   扫描二维码关注公众号，回复： 1464062 查看本文章

2. 离线实验的指标和商业指标存在差距；

3.2 用户调查

优点：

1. 获得很多体现用户主观感受的指标；

2. 实验风险很低，出现错误后很容易弥补；

缺点：

1.招募测试用户代价较大；

2.设计双盲实验困难，在测试环境下收集的测试指标可能在真实环境下无法重现；

一般一个新的推荐算法最终上线都需要经历以上3个实验：

1） 通过离线实验证明它在很多离线指标上优于现有的算法；

2） 通过用户调查确定它的用户满意度不低于现有的算法；

3） 通过在线的AB测试确定它在我们关心的指标上优于现有的算法；

4 推荐系统的评估

4.1 准确度

1. RMSE（均方根误差）,MAE（平均绝对误差）

2. Top N推荐

” role=”presentation” style=”position: relative;”>主要为：准确率precison，召回率recall指标
” role=”presentation” style=”position: relative;”>准确率说的是推荐的10条信息中用户真正感兴趣的条数,召回率说的是用户真正感兴趣的你推荐条数占比。

下图中R(U)为推荐，T(U)为用户选择的：

” role=”presentation” style=”position: relative;”>
关于更多可以参考：深度探讨机器学习中的ROC和PR曲线

4.2 覆盖率

” role=”presentation” style=”position: relative;”>推荐出来的物品占总物品集合的比例；

4.3 多样性

” role=”presentation” style=”position: relative;”>推荐列表中物品两两之间的差异性；

4.4 新颖性，惊喜度，实时性，商业目标等

5. 推荐算法

5.1 基于内容的推荐算法

优点：

1. 基于用户喜欢的物品的属性/内容进行推荐
2. 需要分析内容，无需考虑用户与用户之间的关联

缺点：

1. 要求内容容易抽取成有意义的特征，特征内容具有良好的结构性；
2. 不能很好的处理一词多义和一义多词带来的语义问题；

步骤：

1. 对于要推荐的物品建立一份特征
2. 对于用户喜欢的物品建立一份特征
3. 计算相似度

比如说在文档中常用的余弦相似度：

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

5.2 协同过滤

5.2.1 基于用户的协同过滤(UserCF)

算法步骤：

1. 找到和目标用户兴趣相似的用户集合,计算用户的相似度；
2. 找到“近邻”，对近邻在新物品的评价(打分)加权推荐

下图一个非常直观的例子：

兔子和米老鼠最相似，则给米老鼠推荐兔子喜欢的物品：

5.2.2 基于物品的协同过滤(ItemCF)

算法步骤：

1. 对于有相同用户交互的物品，计算物品相似度；
2. 找到物品“近邻”，进行推荐

相似性的度量：

协同过滤的对比：

其中ItemCF一定情况下可以缓解冷启动的现象，而且其更加稳定，而且其更有说服了。

协同过滤优点

1. 基于用户行为，因此对推荐内容无需先验知识
2. 只需要用户和商品关联矩阵即可，结构简单
3. 在用户行为丰富的情况下，效果好

协同过滤缺点

1. 需要大量的显性/隐性用户行为
2. 需要通过完全相同的商品关联，相似的不行
3. 假定用户的兴趣完全取决于之前的行为，而和当前上下文环境无关
4. 在数据稀疏的情况下受影响。可以考虑二度关联。

冷启动问题

对于新用户

1. 所有推荐系统对于新用户都有这个问题
2. 推荐非常热门的商品
3. 收集一些信息 在用户注册的时候收集一些信息
4. 在用户注册完之后，用一些互动游戏等确定喜欢与不喜欢

对于新商品

1. 根据本身的属性，求与原来商品的相似度。
2. Item-based协同过滤可以推荐出去。

5.3 基于矩阵分解的推荐算法

” role=”presentation” style=”position: relative;”>原理：根据已有的评分矩阵（非常稀疏），分解为低维的用户特征矩阵（评分者对各个因子的喜好程度）以及商品特征矩阵（商品包含各个因子的程度），最后再反过来分析数据（用户特征矩阵与商品特征矩阵相乘得到新的评分矩阵）得出预测结果；

SVD

” role=”presentation” style=”position: relative;”>SVD的时间复杂度为O(m^3),M经常是稀疏且有空缺值的，简单的做法是将空缺值补上随机值，那么就可以svd分解了，但是推荐效果一般，因此一般将该问题转化为优化问题；同时原始矩阵中0很多，不宜用0填补。

矩阵分解

即给定一个损失函数然后最优化的过程

5.4 混合推荐

（1）加权的混合: 用线性公式将几种不同的推荐按照一定权重组合起来，具体权重的值需要在测试数据集上反复实验，从而达到最好的推荐效果；

（2）切换的混合：对于不同的情况（数据量，系统运行状况，用户和物品的数目等），推荐策略可能有很大的不同，那么切换的混合方式，就是允许在不同的情况下，选择最为合适的推荐机制计算推荐；

（3）分区的混合：采用多种推荐机制，并将不同的推荐结果分不同的区显示给用户；其实，Amazon，当当网等很多电子商务网站都是采用这样的方式，用户可以得到很全面的推荐，也更容易找到他们想要的东西；

（4）分层的混合：采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐；

参考资料：
1. 《推荐系统原理与应用》七月在线
2. 推荐系统

                                            <link rel="stylesheet" href="http://csdnimg.cn/release/phoenix/production/markdown_views-68a8aad09e.css">
                                </div>

1. 推荐系统的意义

” role=”presentation” style=”position: relative;”>互联网大爆炸时期的信息过载的解决方案：

” role=”presentation” style=”position: relative;”>对用户而言：找到好玩的东西，帮助决策，发现新鲜事物。
” role=”presentation” style=”position: relative;”>对商家而言：提供个性化服务，提高信任度和粘性，增加营收。

2. 推荐系统的构成

” role=”presentation” style=”position: relative;”>前台的展示页面，后台的日志系统，推荐算法等部分组成，如下图所示：

3. 推荐系统的评测

3.1 离线实验

即线下的部分，用于训练模型

优点：

1. 不需要有对实际系统的控制权；

2. 不需要用户参与体验；

3. 速度快，可以测试大量算法；

缺点：

1. 无法计算商业上关心的指标；

2. 离线实验的指标和商业指标存在差距；

3.2 用户调查

优点：

1. 获得很多体现用户主观感受的指标；

2. 实验风险很低，出现错误后很容易弥补；

缺点：

1.招募测试用户代价较大；

2.设计双盲实验困难，在测试环境下收集的测试指标可能在真实环境下无法重现；

一般一个新的推荐算法最终上线都需要经历以上3个实验：

1） 通过离线实验证明它在很多离线指标上优于现有的算法；

2） 通过用户调查确定它的用户满意度不低于现有的算法；

3） 通过在线的AB测试确定它在我们关心的指标上优于现有的算法；

4 推荐系统的评估

4.1 准确度

1. RMSE（均方根误差）,MAE（平均绝对误差）

2. Top N推荐

” role=”presentation” style=”position: relative;”>主要为：准确率precison，召回率recall指标
” role=”presentation” style=”position: relative;”>准确率说的是推荐的10条信息中用户真正感兴趣的条数,召回率说的是用户真正感兴趣的你推荐条数占比。

下图中R(U)为推荐，T(U)为用户选择的：

” role=”presentation” style=”position: relative;”>
关于更多可以参考：深度探讨机器学习中的ROC和PR曲线

4.2 覆盖率

” role=”presentation” style=”position: relative;”>推荐出来的物品占总物品集合的比例；

4.3 多样性

” role=”presentation” style=”position: relative;”>推荐列表中物品两两之间的差异性；

4.4 新颖性，惊喜度，实时性，商业目标等

5. 推荐算法

5.1 基于内容的推荐算法

优点：

1. 基于用户喜欢的物品的属性/内容进行推荐
2. 需要分析内容，无需考虑用户与用户之间的关联

缺点：

1. 要求内容容易抽取成有意义的特征，特征内容具有良好的结构性；
2. 不能很好的处理一词多义和一义多词带来的语义问题；

步骤：

1. 对于要推荐的物品建立一份特征
2. 对于用户喜欢的物品建立一份特征
3. 计算相似度

比如说在文档中常用的余弦相似度：

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

5.2 协同过滤

5.2.1 基于用户的协同过滤(UserCF)

算法步骤：

1. 找到和目标用户兴趣相似的用户集合,计算用户的相似度；
2. 找到“近邻”，对近邻在新物品的评价(打分)加权推荐

下图一个非常直观的例子：

兔子和米老鼠最相似，则给米老鼠推荐兔子喜欢的物品：

5.2.2 基于物品的协同过滤(ItemCF)

算法步骤：

1. 对于有相同用户交互的物品，计算物品相似度；
2. 找到物品“近邻”，进行推荐

相似性的度量：

协同过滤的对比：

其中ItemCF一定情况下可以缓解冷启动的现象，而且其更加稳定，而且其更有说服了。

协同过滤优点

1. 基于用户行为，因此对推荐内容无需先验知识
2. 只需要用户和商品关联矩阵即可，结构简单
3. 在用户行为丰富的情况下，效果好

协同过滤缺点

1. 需要大量的显性/隐性用户行为
2. 需要通过完全相同的商品关联，相似的不行
3. 假定用户的兴趣完全取决于之前的行为，而和当前上下文环境无关
4. 在数据稀疏的情况下受影响。可以考虑二度关联。

冷启动问题

对于新用户

1. 所有推荐系统对于新用户都有这个问题
2. 推荐非常热门的商品
3. 收集一些信息 在用户注册的时候收集一些信息
4. 在用户注册完之后，用一些互动游戏等确定喜欢与不喜欢

对于新商品

1. 根据本身的属性，求与原来商品的相似度。
2. Item-based协同过滤可以推荐出去。

5.3 基于矩阵分解的推荐算法

” role=”presentation” style=”position: relative;”>原理：根据已有的评分矩阵（非常稀疏），分解为低维的用户特征矩阵（评分者对各个因子的喜好程度）以及商品特征矩阵（商品包含各个因子的程度），最后再反过来分析数据（用户特征矩阵与商品特征矩阵相乘得到新的评分矩阵）得出预测结果；

SVD

” role=”presentation” style=”position: relative;”>SVD的时间复杂度为O(m^3),M经常是稀疏且有空缺值的，简单的做法是将空缺值补上随机值，那么就可以svd分解了，但是推荐效果一般，因此一般将该问题转化为优化问题；同时原始矩阵中0很多，不宜用0填补。

矩阵分解

即给定一个损失函数然后最优化的过程

5.4 混合推荐

（1）加权的混合: 用线性公式将几种不同的推荐按照一定权重组合起来，具体权重的值需要在测试数据集上反复实验，从而达到最好的推荐效果；

（2）切换的混合：对于不同的情况（数据量，系统运行状况，用户和物品的数目等），推荐策略可能有很大的不同，那么切换的混合方式，就是允许在不同的情况下，选择最为合适的推荐机制计算推荐；

（3）分区的混合：采用多种推荐机制，并将不同的推荐结果分不同的区显示给用户；其实，Amazon，当当网等很多电子商务网站都是采用这样的方式，用户可以得到很全面的推荐，也更容易找到他们想要的东西；

（4）分层的混合：采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐；

参考资料：
1. 《推荐系统原理与应用》七月在线
2. 推荐系统

                                            <link rel="stylesheet" href="http://csdnimg.cn/release/phoenix/production/markdown_views-68a8aad09e.css">
                                </div>