推荐系统框架及概述

推荐系统算法有哪些

一、基于内容：
基于商品的本身内容相似度进行推荐，用户喜欢内容1，推荐与内容1 相似的内容。
静态的推荐，需要对物品具体内容进行打标签，适合解决冷启动问题，（新系统，新用户，新商品）

二、协同过滤：
基于用户的行为进行推荐。通过与用户相似用户喜欢的内容给用户进行推荐。（群体的智慧）
动态的推荐，不需要对商品具体内容打标签，适合用户的个性化推荐。

1. 基于邻域的推荐方式：
   基于相似个体的推荐方式（邻域：越接近相似度越高）
   (1). ItemCF:
   推荐原理：基于商品间的相似度进行推荐，两个物品喜欢的人相同的越多，商品1 与商品2 越接近，通过用户行为进行相似度计算。
   推荐方式：并为用户推荐与已购买商品相似的商品
   (2). UserCF:
   推荐原理：基于用户间行为相似度进行推荐，两个人共同喜欢的商品越多，两人的相似度越高。
   推荐方式：为用户推荐相似用户购买的商品。

2. 基于模型的协同过滤：
   采用机器学习的方式，分成训练集和测试集。离线训练时间比较长，但训练完成后，推荐过程比较快。
   (1). 隐语义模型（LFM, Latent Factor Model）：
   用户与物品之间存在着隐含的联系，通过隐含特征（Latent Factor）联系用户兴趣和物品，基于用户行为的自动聚类，我们可以指定隐特征的个数，粒度可粗（隐特征少），可细（隐特征多），计算物品属于每个隐特征的权重，物品有多个隐特征的权重。但可解释性差，隐含特征计算机能理解就好，相比之下ItemCF可解释性强。
   隐语义的两个实现推荐方式：
   1> .矩阵分解（MF）: 基于稀疏矩阵的矩阵分解，得到用户对所有商品的得分，以此推荐TOP-N商品。
   2> .LDA, LSA, pLSA：主题模型
   (2). 基于贝叶斯网络
   (3). 基于SVM

基于模型与基于邻域的推荐之间的区别：

一、基于邻域的协同过滤包括UserCF, ItemCF，将用户的所有数据读入到内存中进行运算，也称之为基于内存的协同过滤（Memory-based）。数据量少的情况下，可以在线实时推荐。

二、基于模型的推荐（Model-based），采用机器学习的方式，分成训练集和测试集。离线训练时间比较长，但训练完成后，推荐过程比较快。

推荐系统的两大应用场景

一、评分预测（Rating Prediction）

主要用于评价网站，比如用户给自己看过的电影评多少分（MovieLens），或者用户给自己看过的书籍评价多少分（Douban）。矩阵分解技术主要应用于评分预测问题。

二、Top-N推荐（Item Ranking）

常用于购物网站，拿不到显式评分，通过用户的隐式反馈为用户提供一个可能感兴趣的Item列表。排序任务，需要排序模型进行建模。