推荐系统架构

推荐系统(RecSys)作为电子商务中一个很火的应用，主要是为了帮助用户发现可能感兴趣的东西，这种就叫做个性化推荐系统；而广告商还可以利用结果将内容投放给可能会对它们感兴趣的用户，这就成了个性化广告。比较著名的推荐系统有亚马逊，被RWW(读写网)称为“推荐系统之王”，你从亚马逊买了一本书以后，会发现它会经常向你的邮箱发一些相关的书籍，这个有时比较恼人，呵呵；此外还要电影和视频网站，像YouTube和Hulu等会美国比较著名的视频网站；个性化音乐网络电台，像国际的Pandora和Last.fm以及国内的豆瓣电台；社交网络，如Facebook等；个性化阅读，如GoogleReader等；个性化邮件和个性化广告等。

架构

主流的推荐系统的架构如下图：

而动态推荐系统的架构如下：

关于推荐系统的架构，这几篇文章写得不错，这里mark一下。

推荐系统的架构，

http://www.cnblogs.com/kobedeshow/p/3569525.html?utm_source=tuicool

淘宝推荐系统，

http://www.biaodianfu.com/taobao-recommendation-system.html?utm_source=tuicool

InfoQ上关于Hulu的视频推荐系统架构经验，

Hulu推荐系统构建经验谈，

http://www.infoq.com/cn/presentations/hulu-recommendation-system-construction-experiences/

算法

推荐系统的实现算法，按照使用的数据，主要分为以下三种算法：

−      协同过滤：用户的行为数据，像点击、评分、购买等；

−      内容过滤：用户内容属性和物品内容属性；

−      社会化过滤：用户之间的社交网络关系，如朋友、关注关系等。

按照模型划分，主要有以下三种：

−      最近邻模型：基于用户/物品的协同过滤算法；

−      Latent Factor Model：基于矩阵分解的模型；

−      图模型：二分图模型，社会网络图模型等。

除了推荐系统自身的问题，像冷启动、数据的稀疏性问题等，还有一个需要关注的问题，就是推荐系统的时间效应问题，比较常见的时间效应问题主要反映在用户兴趣的变化、物品流行度的变化以及商品的季节效应。即下面主要考虑三个问题，如何建立动态用户兴趣模型，如何建立用户长期兴趣和短期兴趣的动态用户兴趣模型，还有网站时效性对用户行为和推荐系统设计的影响。

考虑到推荐系统的时间效应问题，可以将协同过滤所使用的数据集归结为一个四元组，即{用户，物品，行为，时间}，那么现在就面临一个问题，如何通过研究用户的历史行为和兴趣爱好，预测用户将来的行为和喜好。需要解决以下三个问题：动态评分预测、动态Top-N推荐、时效性的影响。

对于第一个问题，动态评分预测问题。数据集可以选用比较直观的显性反馈数据集，即(用户，物品，评分，时间)，研究是这样一个问题，给定用户u，物品i，时间t，预测用户u在时间t对物品i的评分r。对于该类问题，相关的算法已经有了很多的研究，与时间无关的评分预测问题算法主要有以下几种：

−      基于用户/物品的协同过滤算法；

−      基于矩阵分解的模型LatentFactor Model；

−      受限波尔兹曼机RBM。

与时间相关的评分预测问题算法主要是基于下面两种想法：

−      用户会喜欢和他们最近喜欢的物品相似的物品；

−      用户会喜欢和他们兴趣相似的用户最近喜欢的物品。

当然上面的这些算法是提出来了，但是有些地方有待优化。

上述算法需要考虑的时间效应问题主要有以下几个方面：

用户兴趣的变化，比如说：年龄增长，从青年长成中年壮年；生活状态的变化，由以前的学生到踏上工作岗位；社会热点问题的影响，奥运会等。此外还有季节效应问题，一些在夏季很流行的，在秋冬季节未必就很流行。如何解决上述问题，提出优化还有待进一步思考。

对于动态Top-N推荐问题，数据集选用的是不太直观的隐性反馈数据集，{(用户，物品，时间)}，研究的是这样的一个问题，给定用户u，时间t，预测用户u在时间t可能会喜欢的物品列表R(u)。在这方面的相关研究也很成熟，有基于邻域的协同过滤算法，主要分为两种，一种是ItemCF，推荐给用户那些跟他们之前喜欢的物品类似的物品；还有一种是UserCF，推荐给用户那些跟他们兴趣相似的用户喜欢的物品。还有基于评分数据的Top-N推荐算法，该想法的思路是推荐给用户那些他们可能评分最高的物品。该想法都是围绕用户的兴趣展开的，需要考虑到，用户兴趣分为短期兴趣和长期兴趣，短期兴趣的特点是临时、易变；长期兴趣的特点是长久、稳定；用户的短期兴趣可能会转化为长期兴趣，所以需要在推荐时综合考虑长期兴趣和短期兴趣。该问题的解决有待进一步思考。

对于时效性的影响，每个在线系统都是一个动态系统，但它们有不同的演化速率。比如说，新闻，博客演化的很快，但音乐，电影的系统演化的却比较慢。这就带来这样一个问题，不同演化速率的系统需要不同类型的推荐算法，如何解决该问题，也是应该进一步深入思考的。