学习笔记--推荐系统概述

推荐系统做什么？

从用户和用户 的显性/隐形行为中 找到隐藏的连接
从而找到用户和物品直接的连接

1. 分类
2. 常用算法演变史
3. 常见问题

分类

评分预测

预测用户会打高分的物品

• 原理：评分机制，尽量减小预测分数 与 实际分数的误差【回归问题】
  -（均方根误差）
  -（）
• 优点：计算简单，原理易理解
• 缺点：显性反馈收集信息
  -数据收集不易
  -数据质量难以保证，用户主观性影响很大
  -分布不稳定，因用户个体和时期 结果会有差异性

行为预测

预测用户某个行为的发生概率&对物品进行相对排序

• 原理：
  -类似于二分类的问题（对一种行为）
  -多个行为多个物品（见后面原理篇）

• 优点：
  -数据收集更容易、更能体现用户内心真实想法
  -隐性反馈的数据更容易和 预测目标函数【通过 特征 得到 预测值 的函数】 有关系（有时候人类不能理解的数据，对机器而言可能是联系关键）

• 缺点：
  -过程不容易被人理解
  -数据特征选择 对预测结果 影响大

• 举例：
  -预测用户 “喜欢 or 不喜欢” 物品A
  -预测用户对展示的物品A “点击 or 不点击”（CTR）

常用算法演变史

内容推荐

用户画像
维度+量化

1. 本身属性
2. 标签化：将行为数据转化为标签化
3. 完全向量化数据：给机器看，机器通过学习从而得到用户向量

近邻推荐

1. 协同过滤

• 基于用户的协同

• 基于物品的协同

矩阵分解

1. 矩阵分解

2. 最小二乘法

3. 贝叶斯(排序)

模型融合

MAB

深度学习

其他

常见问题

1. 冷启动
2. 探索与利用
3. 安全