评价与推荐

  在互联网发达的今天，我们能够很容易通过互联网实现信息的共享，对某些对象（比如亚马逊上的图书、电驴上的电影等），很容易得到广大用户对他们的评价，这种评价是有意的（主动参与评价）或是无意的（通过买与不买来评价），而网站是能够活得这些评价信息的。因此我们可以抽象出这样的模型，对N件物品，一共有M个人进行了评价，于是对每一个人，都有一个评价N个物品的N维向量，而对每一件物品，都有一个受M个人评价的M维向量。这两种不同的评价的组织形式，对应着两种不同的推荐方式。

  首先，我们通过“欧几里得距离评价”或“皮尔逊相关度评价”两种方法中的某一种就能够得到任意两个对象（物品或人）的相关度，这种相关度表明这两者的相近程度。相近程度的作用在于决定权重，越相近的关系，在推荐决策中所显示的权重越大。事实上，就像人，当你听到对一件事物的很多评价的时候，你需要把它们按发言者的权重加权，得到最后的结果才是模拟出来的最符合你的眼观的评价。这样，通过相关度找到任意两者的相关关系，再通过相关关系来加权，并将其他物品加权求平均，得到每个物品相对于某个人的最有可能的价值，将最有价值的物品推荐给这个人，从而实现推荐。上述这种方法是所谓“基于人的过滤”，当物品数量很大而一个人所接触的物品只是其中很小一部分时，将物品作为过滤的标准是更为高效的一种做法。其基本思想仍然是从相关度计算出发，得到加权来做出综合评价，但在实现上，它以物品为相关度主体，先计算任意两个物品的相关度（这种计算量同样是巨大的，但更新上并没有太高速的要求），从而得到物品对物品的权重，当某个人产生了对其中某些物品的N维评价向量时，可以根据这个向量来计算其他任一物品相对于此人的估计价值，同样将最有价值的物品推荐给此客户。

  整体而言，评价与推荐都是通过对于用户评价数据的充分利用，从技术手段上，都是从相关度出发得到权重，再进行不同权重的集体投票，堪称是一种“民主”的技术啊哈哈。