推荐系统学习（一）——了解现有的推荐系统

一、推荐系统的各类算法

1. 传统推荐算法

1）协同过滤算法

• 核心思想：综合用户和项目显式反馈信息，构建用户和项目的二元共现矩阵。
• 问题：随着用户和物品的规模增大，共现矩阵会变更稀疏，在计算相似度时准确率会降低，而且泛化能力差（评分高的会多次推荐，而评分信息少的新物品则较少推荐）【二元共现矩阵–>稀疏矩阵】

2）矩阵分解算法

• 主要思想：分解共现矩阵，使用矩阵分解算法，为用户和项目分别生成一个隐向量，然后把用户向量和项目向量的点积作为用户对项目的预测评分。
• 矩阵分解的泛化能力更强，缓解数据稀疏问题，空间复杂度更低，只需要存用户和项目向量
• 隐向量缺乏可解释性，且只利用了用户和项目的评分信息，没有用其他的特征信息

3）逻辑回归模型LR

• 主要思想：相比起协同过滤和矩阵分解只用到了用户和项目的交互信息，LR能融合用户画像特征、物品属性、上下文信息等多个特征，将各特征转化为数值向量，输入到网络中训练

4）因子分解机模型FM

• 主要思想：在LR的基础上，加入二阶交叉特征组合，FM为每个特征引入了一个具有低维稠密的隐向量特征，并且用向量特征的内积作为特征交叉的权重。

5）梯度提升树+逻辑回归组合模型GBDT+LR

• 主要思想：使用梯度提升决策树进行自动化特征工程，提取重要特征和进行特征组合，树的最后一层叶节点生成新的离散特征，作为逻辑回归模型的输入

2. 深度学习推荐系统

1）嵌入技术在推荐系统的应用

• 嵌入技术：主要处理稀疏矩阵，融合大量信息形成有价值的低维向量，输入到神经网络中训练

2）基于多层感知机的推荐模型

• 通常原始数据经过嵌入层形成向量后，会输入到多层感知机中，可以进一步提取高阶特征交叉。

• 应用在预测用户对项目的评分、精准排序任务和用户点击率预测的任务，能充分利用用户画像特征、项目属性特征和上下文信息，进行特征提取，而且能缓解数据稀疏、高阶特征组合等问题

3）基于卷积神经网络的推荐系统

• 卷积神经网络的卷积和池化计算主要学习数据局部特征，可以提取非结构化多媒体数据，对多源异构数据进行表征学习

• 在推荐系统中，卷积神经网络适用多模态推荐、图片推荐和文本推荐任务

4）基于循环神经网络的推荐系统

• RNN的最大特点：有记忆性并且能够参数共享，它能获取某一时刻的输入数据和前一时刻的隐层状态，来预测当前时刻的输出

• 推荐系统结合RNN有记忆性的特点，对用户的历史会话序列建模，学习用户偏好演变过程以及用户上下文相关兴趣，应用于会话推荐任务

5）注意力机制的推荐系统

• 理解：用户的点击行为是局部活跃，某一时刻点击行为仅仅和过去的部分历史数据有关，而不是所有历史记录

• 主要想法：将用户的行为基于注意力机制进行加权求和，使模型更关注有益信息，预测下一次点击动作

6）树模型与推荐系统的结合

• 把树模型用于有效的交叉特征，能提高模型的可解释性

3. 图网络推荐系统

1）图卷积网络推荐系统

2）图注意力网络推荐系统

3）图自动编码器推荐系统

4）图生成网络推荐系统

5）图时空网络推荐系统

二、推荐系统的可解释性