推荐系统综述

效果评估

推荐系统在为用户推荐物品时通常有两种方式：

1. 评分预测
   此方法一般通过学习用户对物品的历史评分，预测用户可能会为他没有进行评分的物品打多少分，通常用于在线视频、音乐等服务的推荐。
   评分预测的效果评估一般通过均方根误差（RMSE）和平均绝对误差（MAE）计算。对于测试集T中的一个用户u和物品i，令$r_{ui}$是用户u对物品i的实际评分，而${\hat{r}}_{ui}$是推荐系统给出的预测评分，则RMSE定义为：
   
   MAE定义为：
   
2. TopN推荐
   此方法一般不考虑评分，而是为用户提供一个个性化推荐列表，通过预测用户对物品的兴趣度对列表进行排序，选取其中前N个物品推荐给用户，通常用于电子商务、社交网络、互联网广告推荐。
   TopN推荐一般通过准确率（precision）、召回率（recall）和F1值（平衡分数）度量。令$R(u)$是为用户推荐的物品列表，$T(u)$是用户在测试集上的行为列表。
   召回率定义为：
   
   准确率定义为：
   
   F1值定义为：
   

总体

• 推荐系统通常分为召回和排序两个步骤
• 召回：粗排选取合适的内容，可以通过协同过滤，兴趣tag，内容最热等方式
• 排序（CTR预估）：使用一个点击率预估模型（输入用户特征，内容特征，用户内容交叉特征等）对召回出来的内容进行排序

召回常用算法

基于内容
协同过滤
基于矩阵分解：https://blog.csdn.net/taoyanqi8932/article/details/62052684
https://blog.csdn.net/greedystar/article/details/80813057
基于知识：https://blog.csdn.net/gongxifacai_believe/article/details/82144938
https://blog.csdn.net/shinecjj/article/details/82286386
基于模型：https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/82881839

排序常用算法

参考：
1.https://blog.csdn.net/greedystar/article/details/80813057