推荐系统简介

• 目录

  推荐系统概述

  推荐系统的目的

  推荐系统的基本思想

  推荐系统的数据分析

  推荐系统的分类

  根据实时性分类

  根据推荐是否个性化分类

  根据推荐原则分类

  根据数据源分类

  推荐算法简介

  基于人口统计学的推荐

  基于内容的推荐

  基于协同过滤的推荐

  基于协同过滤的推荐算法

  协同过滤推荐方法

  基于用户的协同过滤

  基于物品的协同过滤

  混合推荐

  推荐系统评测

  推荐系统实验方法

  推荐系统评测指标

  推荐按准确度测评

  评分测评

  ---

  推荐系统概述

• 推荐系统的目的

  • 用户

  • 网站

  • 内容

• 推荐系统的基本思想

  • 利用用户和物品的特征信息
  • 利用  用户喜欢过的物品
  • 利用和用户相似的其他用户

• 推荐系统的数据分析

• 要推荐物品或内容的元数据
• 系统用户的基本信息
• 用户的行为信息（显式的用户反馈：评分或评论、隐式的用户反馈：购买或查看

• 推荐系统的分类

  • 根据实时性分类

    • 离线推荐
    • 实时推荐

  • 根据推荐是否个性化分类

    • 基于统计的推荐
    • 个性化推荐

  • 根据推荐原则分类

    • 基于相似度分类
    • 基于知识的推荐
    • 基于模型的推荐

  • 根据数据源分类

    • 基于人口统计学的分类
    • 基于内容的分类
    • 基于协同过滤的分类

• 推荐算法简介

• 基于人口统计学的推荐

  • 

• 基于内容的推荐

  • 

• 基于协同过滤的推荐

  • 基于协同过滤的推荐算法

    • 协同过滤（CF）
    • 基于近邻的协同过滤
      • 基于用户（User-CF）
      • 基于物品（Item-CF）
    • 基于模型的协同过滤
      • 奇异值分解（SVD）
      • 潜在语义分析（LSA）
      • 支撑向量机（SVM）

  • 协同过滤推荐方法

    • 基于内容（CB）主要利用的是用户评价过的物品的内容特征，而CF方法还可以利用其他用户评分过的物品内容
    • CF可以解决CB的一些局限
      • 物品内容不完全或难以获得时，依然可以通过其他用户的反馈给出推荐
      • CF基于用户之间对物品的评价质量，避免了CB仅依赖内容可能造成的对物品质量判断干扰
      • CF推荐不受内容限制，只要其他类似用户给出了对不同物品的兴趣，CF就可以给用户推荐出内容差异很大的物品（但又某种内在联系）
    • 分为两类：基于近邻和基于模型

  • 基于用户的协同过滤

• 

• 基于物品的协同过滤

  • 

• 混合推荐

  • 

• 推荐系统评测

• 推荐系统实验方法

  • 离线实验
    • 通过体制系统获得用户行为数据，并按照一定格式生成一个标准的数据集
    • 将数据集按照一定的规则分成训练集和测试集
    • 在训练集上训练用户兴趣模型，在测试集上进行预测
    • 通过事先定义的离线指标测评算法在测试集上的预测结果
  • 用户调查
    • 用户调查要有一些真实用户，让他们在需要测试的推荐系统上完成一些任务；我们呢需要记录他们的行为，并让他们回答一些问题；最后进行分析
  • 在线实验
    • AB测试

• 推荐系统评测指标

  • 

• 推荐按准确度测评

  • 评分测评

    • 打分功能，如果知道用户对物品的历史评分，就可以从中学习一个兴趣模型，从而预测用户对新物品的评分
    • 评分预测的准确度一般用均方根误差（RMSE）或平均绝对误差（MAE）计算
      • 
    • Top-N推荐
      • 给用户一个个性化的推荐列表
      • Top-N推荐的预测准确率一般用精确率和召回率来度量
        • 

•