【读书笔记】推荐系统实践-常见推荐算法及应用

《推荐系统实践》系统性地介绍了推荐系统这一领域，思路清晰，详细介绍了各个领域不同情景的推荐算法的应用，是一本很好的推荐系统入门书，尤其第二第三章的讲解比较细致。（Ps:书中插入的python代码有点生硬，读者可以直接忽略）

衡量推荐算法的指标

• 用户满意度

  满意度是评测推荐系统最重要的指标，但是无法通过离线计算获得，只能通过用户调查或者在线实验。

• 预测准确度

  对于TopN推荐（这里主要讨论TopN推荐），对于准确度的衡量有两个指标。R(u)是针对测试集，根据用户在训练集上的行为给用户作出的推荐列表，而T(u)是用户在测试集上的行为列表。

  • 召回率：表示用户喜欢的物品列表里被推荐系统推荐到的比例
  $$Recall = \frac {\sum_{u\in U} R(u) \bigcap T(u)} {\sum_{u\in U}|T(u)|}$$
  • 准确率：表示推荐系统推荐给用户的列表里用户喜欢该推荐的比例
  $$Precision = \frac {\sum_{u\in U} R(u) \bigcap T(u)} {\sum_{u\in U}|R(u)|}$$

• 覆盖率：述一个推荐系统对物品长尾的发掘能力。覆盖率 最简单的定义为推荐系统能够推荐出来的物品占总物品集合的比例。假设系统的用户集合为U ,推荐系统给每个用户推荐一个长度为N的物品列表R(u) 。

  $$Coverage = \frac {\bigcup_{u\in U} R(u)} {|I|}$$

• 多样性：多样性描述了推荐列表中物品两两之间的不相似性，与推荐的相似性是相对的。

• 新颖性：是指给用户推荐那些他们以前没有听说过的物品，给用户带来新颖感

• 惊喜度：区别于新颖性，如果推荐结果和用户的历史兴趣不相似，但却让用户觉得满意，那么就可以说推荐结果的惊喜度很高，而推荐的新颖性仅仅取决于用户是否听说过这个推荐结果。

• 信任度：指用户给推荐系统给出结果的信任，可以通过增加推荐系统的透明度（给出推荐理由）和考虑用户的社交网络（用户更信任他们的好友）来提升推荐系统的信任度。

• 实时性：表现在用户行为变化后，即使更新推荐列表；同时在新的物品加入系统，物品能够被推荐到用户。

• 健壮性：推荐系统能够抗攻击，推荐系统依赖用户行为，如果用户刻意造假用户行为，就会对推荐结果造成影响（如淘宝刷单强行将物品刷到热门，被推荐的概率大大增加）。增加健壮性的方法有：

  • 使用代价比较高的用户行为赋予更高的权重，代价比较的高的行为造假率低。
  • 使用数据前，进行攻击检测

推荐算法简介

当前业界用的最多的算法就是基于领域的推荐算法，包括基于用户的协同过滤和基于内容的系统过滤，当然还有一些其他算法，包括了基于图的推荐算法、基于内容的推荐算法、隐语义模型、利用标签推荐等等。

1. 基于用户的协同过滤

a.推荐思想

当一个用户A需要个性化推荐 时，可以先找到和他有相似兴趣的其他用户（这里的兴趣相似指两人感兴趣的物品重合度高），然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法称为基于用户的协同过滤算法。

主要步骤包括：

• 找到和目标用户兴趣相似的用户集合（计算与当前用户兴趣相似度高的用户）
• 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户

b.算法实现

给定用户u和用户v，令N(u)表示用户u曾经有过正反馈的物品集合，令N(v) 为用户v曾经有过正反馈的物品集合。那么u与v的相似度可以如下计算：