《Statistical Methods for Recommender Systems》阅读笔记--第二章

经典算法

通常可利用的信息有一下几种：
1)物品的相关信息
2)用户的相关信息
3）用户和物品的交互信息

利用前两种信息的经典算法包括：
1、基于用户人口统计属性的推荐（最近邻推荐)
2、基于内容的推荐

这两种推荐都是需要将用户和物品转换成特征向量表示。
然后基于向量来计算两两之间（用户-用户，物品-物品，用户-物品）相似度来实现推荐。这种在书中，作者称之为无监督方法。
还有一种，虽然转换为特征，但不是计算相似度。而是采用类似逻辑回归这样的模型来预测一个分值。这种称之为有监督方法（需要先采用已有数据训练出一个模型）

利用后一种信息对应的就是协同过滤算法

关于经典算法，感兴趣的可以参考：
1）Adomavicius, G., and Tuzhilin, A. 2005. Toward the next generation of recommender
systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, 17, 734–49 （非常经典的综述）
2）Jannach, D., Zanker, M., Felfernig, A., and Friedrich, G. 2010. Recommender Systems:
An Introduction. Cambridge University Press。（中文版已经出版了。名字就是《推荐系统》）
3) Ricci, Francesco, Rokach, Lior, Shapira, Bracha, and Kantor, Paul B. (eds). 2011.
Recommender Systems Handbook. Springer.(中文版（《推荐系统:技术、评估及高效算法 》）

物品描述：
也就是如何构造一个物品特征向量。这个通常因实际的推荐物品不同而不同，对于通常的web(文本)推荐，主要包括以下几种方法：
1)分类；物品属于哪些类别
2）池袋模型（bag of words）
3）主题建模。LDA等
用户描述：
包括两类信息：
1）用户历史偏好物品的内容信息；
2）用户公布的信息。比如人口统计属性、公布的兴趣等。

协同过滤：
协同过滤算法可分为：
1）基于内存的协同过滤算法，有可分为
基于用户的协同过滤和基于物品的协同过滤；
2）基于模型的协同过滤算法。主要包括矩阵分解方面的算法
关于协同过滤，大家可以参考我的另一篇博客：
http://blog.csdn.net/allenalex/article/details/72772916
混合方法：
书中主要讲基于内容和协同过滤这两种经典算法的混合。给出了四种混合的例子：
● 合成（Ensemble）。两种方法单独预测，然后通过线性合并或者某种投票机制合并预测结果。可以参考：
Claypool, Mark, Gokhale, Anuja, Miranda, Tim, Murnikov, Pavel, Netes, Dmitry, and
Sartin, Matthew. 1999. Combining content-based and collaborative filters in an
online newspaper. In Proceedings of ACM SIGIR workshop on recommender systems, vol. 60. ACM.
● 协同过滤的预测结果作为基于特征（内容）的方法的一个特征。
● 在基于相似度的协同过滤总适用基于特征的相似度。
● 人工设定一些基于特征的评分，来增加基于协同过滤的评分数。处理冷启动。