推荐系统总结

个性化程度

推荐按照个性化程度从低到高可以分为：普适的/非个性化的 -> 适合一个小组的（组推荐） -> 适合当前活动的 和 持久的。

输入输出

输入数据主要是评分数据，包括隐式评分和显式评分两种。显式评分就是以分数或星级表示的数据，能直接表示用户的喜好，然而，由于用户往往会忽略或不愿意对之前的选择进行评分，因此，这种评分通常不是很容易获取，使得隐式评分在日常生活中更为普遍。隐式评分就是通过用户的行为（如点击、加入购物车、购买、收藏等）来构建出一个表现用户偏好的模型，并根据这个模型算出一个评分。如何选择能代表用户偏好的特征，并对这些特征的权值进行构建是重点要研究的问题。

推荐模型的输出主要包括预测、推荐和过滤。

推荐技术

• Non-Personalized summary stats
  
  • External community data：一般是“最”信息（销量最好、最热门等）
  • Summary of community ratings：一般是口碑信息（大众最喜欢等）
• Content-based
  
  • Information Filtering
  • Knowledge-based
• Collaborative Filtering：利用其它用户的观点来预测或推荐
  
  • User-User：选择具有相同偏好的用户（认识或不认识），用他们的偏好来近似自己。
    
    • 通过观测他们对于都购买过的物品的认可程度（评分）来计算相似性，相近的用户成为邻居 "user-user" algorithm computes the "distance" between pairs of users based on how much they agree on items they have both rated. Users whose tastes are relatively "near" each other according to these calculations are said to share a "neighborhood".
    • 问题：
      
      • 邻居关系不一定可信（很多对用户的邻居关系是因为他们都喜欢大众的东西 ）
      • 用户之间的距离动态性很强，必须实时计算。
  • Item-Item：通过评分重新计算物品之间的相似度。
    
    • 依据用户对于物品的相似评分来计算物品之间的距离。物品的距离可能是根据很多用户的评分算出来的，稳定性强，因此可以提前算出来，以便做实时推荐。Calculate the distance between each pair of books and movies or what have you according to how closely users who have rated them agree.
  • Dimensionality Reduction(SVD):
    
    • 根据已有的评分情况（用户-物品评分矩阵），分析出用户对各个因子的喜好程度以及物品包含各个因子的程度，最后再根据分析结果预测评分。SVD的实现是使用随机梯度下降来学习的。
    • 问题：
      -计算时间长，不能应对新评分加入的情况。
  • 存在的问题：
    
    • 矩阵的稀疏性是协同过滤最大的问题。对于预测目标来说，就是填充矩阵中未知的数；对于推荐来说，就是选择可信的单元内容。
    • 评分的不一致性（兴趣、流行趋势的改变、记忆力消退等）。
• Others
  
  • 交互推荐
    
    • Critique/interview based recommendations
    • dialog-based
  • Hybrid techniques

基本的模型

基本的模型有用户模型、物品模型和评分，他们之间是通过评分矩阵关联起来的。

评价指标

评价指标主要有预测的正确性、推荐的有用性（正确性、明显性和多样性）以及计算性能。

由于推荐系统的目标不同，评价指标的选取也有所不同。最简单的评估方法就是观察预测与用户真正评分之间的差距，另一个普遍的做法就是比较推荐与用户真正购买的物品的差距。

除了这些，还有一些新的指标，如独特性(Serendipity)和多样性(Diversity)。

独特性是指不平常的推荐，尤其是指那些对某些用户有价值，而非对其他相似用户都有价值的东西。

Serendipity rewards unusual recommendations, particularly those that are valuable to one user but not as valuable to other similar users.

---

参考文献：
http://spectrum.ieee.org/computing/software/deconstructing-recommender-systems