推荐系统（一）

1. 参考书籍

• 《推荐系统实战》项亮
• 《推荐系统》Dietmar Jannach
• 《推荐系统：技术、评估及高效算法》Francesco Ricci

---

2. 推荐算法

• 按数据分：
  
  • 协同过滤
  • 内容过滤
  • 社会化过滤
• 按算法分：
  
  • 基于领域的算法
  • 基于图的算法
  • 基于矩阵分解或概率模型

---

3. 推荐系统的评测

完整推荐系统的参与方一般为：用户、物品提供者、提供推荐系统的网站，一个好的推荐系统是三方共赢的系统。

注意：准确预测不一定代表好的预测，因为可能用户本身就会买那一样，这样你的推荐并不会带来价值，所以，好的推荐系统不仅能准确预测用户行为，而且可帮助用户发现那些他们可能会感兴趣，但却不那么容易发现的东西。

指标：准确度、覆盖度、新颖度、惊喜度、信任度、透明度

评测推荐效果实验方法：

• 离线实验：将数据集分为训练和测试，然后通过预先定义的指标进行比较
• 用户调查：询问用户
• 在线实验：将用组分为几组，不同组采用不同算法，线上测试。

评测指标：

• 用户满意度：对用户调查与反馈

• 预测准确度

  • 评分预测

    • RMSE（均方根误差）
      $$RMSE=\frac{\sqrt{\sum_{u,i \in T}(r_{ui}-\hat r_{ui})^2}}{\vert T \vert}$$

    • MAE（平均约对误差）
      

      $$MAE=\frac{\sum_{u,i \in T}|r_{ui}-\hat r_{ui}|}{|T|}$$

      $r_{ui}$为用户$u$对物品$i$的实际评分，$\hat r_{ui}$为推荐算法给出的预测评分，$|T|$为所有用户数与物品的迪卡尔积的模，即数据条数。

  • TopN推荐

    • 准确率
      $$Precision=\frac{\sum_{u \in U}\vert R(u) \cap T(u) \vert}{\sum_{u \in U} \vert R(u) \vert}$$

    • 召回率
      

      $$Recall=\frac{\sum_{u \in U}\vert R(u) \cap T(u) \vert}{\sum_{u \in U} \vert T(u) \vert}$$

      $R(u)$为基于训练推荐列表，$T(u)$为用户在测试集上的行为，准确率与召回率呈反相关性，所以在判断算法性能时会分析他们的曲线，根据具体场景再评价选取。

  • 覆盖率

  • 多样性
  • 新颖性
  • 惊喜度
  • 信任度
  • 实时性
  • 健壮性：防止作弊行为，比如搜索引擎的作弊与反作弊，注入噪声数据，影响推荐结果。

离线实验一般优化目标为：

最大化预测准确度
使得 覆盖率>A，多样性>B， 新颖性>C

评测维度：

• 用户维度
• 物品维度
• 时间维度