推荐算法：协调过滤初级_1：简介

• 推荐系统：定义为评估用户对新物品的反馈
• 三种反馈：
  
  1. 分级反馈
  2. 二元反馈
  3. 一元反馈

---

问题定义

• 用户：$u$；物品集合：$T$；系统评分集合：$R$；可选分数集合：$S$
• 用户$u$对于物品$i$的评分：$r_{ui}$
• 已经对物品$i$评分的$u$的集合：$u_i$
• 用户$u$ 所评价的物品集合: $T_u$
• 同时被用户$u$和$v$评价过的集合 :$T_{uv}$
• 对物品$i$和$j$都评分的用户集合：$u_{ij}$

---

最优项（评分问题）

• 用户$u$最感兴趣的物品$i$的分数
• 评分值存在，则转换为一个回归或者是分类问题(多分类)；目标是学习
  函数$f：u*T->S$ 来预测用户$u$对$i$的评分$f(u,i)$

• 然后选择$i^{*}=argmax f(u_a,j)$ ； u对那个物品的评分最高

• 平均绝对误差(MAE)
  $MAE(f)=\frac{1}{|R_{test}|}\sum|f(u,i)-r_{ui}|$

• 均方根误差
  $RMSE(f)=\sqrt{\frac{1}{|R_{test}|}\sum(f(u,i)-r_{ui})^2}$

---

Top-N

• 没有评分信息，则转换为推荐Top-N列表
  @@@item-based_collaborative_filtering_recommendation_algorithms
  @@@Item-based_top-n_recommendation_algorithms

• 评价方法：
  $L(u)$ 包含用户$u_a$最感兴趣的 $N$个物品
  $T(u)$是用户u对物品$i$的二级正反馈
  准确率：
  $Precision(L)=\frac{1}{|U|}\sum|L(u) \bigcap T(u)| / |L(u)|$
  $Recall(L)=\frac{1}{|U|}\sum|L(u) \bigcap T(u)| / |T(u)|$

• 缺点：
  $L(u)$中所有物品对于用户u的兴趣程度被认为是相同的