【推荐系统】由上往下看推荐系统

1 推荐系统简介

推荐系统可以说是机器学习和深度学习应用最广泛的领域，而且预期未来会更加流行和深入。它本质上是为用户和商品或服务之间建立一种连接，帮助用户更高效地享受到服务。

从用户的角度看，用户的个人偏好（兴趣）、历史行为、用户个人属性、用户关系网络等等都可以被称为 “用户信息”；从商品或服务角度看，名称、属性、标签、内容等等都是 “商品信息”；另外，在具体的场景中，用户的选择可能受时间、地点等一系列环境信息影响，这类信息被称为 “场景信息/上下文信息”。

由此，借用王喆老师的描述，可以得出推荐系统要处理的问题形式化定义：对于某个用户 U，在特定场景 C 下，针对商品构建一个函数，预测用户对特定候选商品 I 的效用，并据此对候选商品排序得到推荐列表的问题。定义中的函数在推荐系统中一般被称为 “推荐系统模型”。

2 推荐系统架构

提到 “系统”，那自然是个有机整体，其中一般会包括多个组成部分。推荐系统从大的层面来看主要包括两个方面：

数据和信息: 用户、场景、商品信息的定义、组成是什么？如何获取信息？如何处理、更新信息？如何传输、存储信息？

模型和算法: 如何选择模型、算法？如何训练？如何更新？如何评估？如何部署推理？

大概的整体架构如下：

3 推荐系统的评估（指标）

我们需要一些指标进行评价我们的推荐系统到底怎么样.

3.1 用户偏好/满意度

评价系统好坏最直接的方法是让用户投票，选择票数高的。或者也可以通过一些间接指标来衡量，比如购买率、停留时长、转化率等。

使用这种方法有一个注意事项：
该方法假定用户的权重一致，这在实际中很难应用，因为每个人的喜爱是一样的，有些人可能喜欢这个推荐系统，但是有些人不喜欢这个推荐系统（千人千面）

3.2 预测准确率

即根据推荐模型预测用户偏好的准确性。具体包括：评级准确性、使用准确性和排名准确性。

(1) 评级准确性:
即预测用户评级（评级高的自然可以推荐）——》这里是什么意思？
（实现用户的物品喜好偏好——》评级，然后再根据偏好实现相应物品的推荐）

(2) 使用准确性:
这种情况预测的不是用户具体Item的偏好，而是用户可能是使用的Item。
（大概是预测用户可能喜欢那些物品？）

(3) 排序准确性:
此时关注的是相对顺序，而不是绝对值。有两种方法：一种是定义好一组 Item 的顺序，让系统来预测正确的顺序，然后评估接近程度；另一种是评估系统排序对用户的效用。

(4) 覆盖率：
覆盖率是用来描述一个推荐系统对物品长尾的发掘能力，一个简单的定义可以是：推荐系统所有推荐出来的商品集合数占总物品集合数的比例。