[推荐系统]--什么是推荐系统

推荐系统

1.推荐系统是什么？

根据用户的历史行为、社交关系、兴趣点、所处上下文环境等去判断用户的当前需求/感兴趣的item。
历史行为：阅读过的新闻(话题/类别)。只有丰富到一定程度上，才没有那么大的随机性
社交关系：对于刚注册的或很久没有登录的用户。比如，用QQ、WX登录获取其关系网，可了解身边人的职业、收入；“人以群分”，他朋友喜欢的，很有可能就是该人喜欢的。
兴趣点：根据其历史行为或注册时填的信息去推荐（注册时会勾选几个感兴趣的话题）
所处上下文环境：假如，依据上述三点原则，挖掘出该用户比较喜欢衬衫。但是，当前该用户一直浏览的是牛仔裤，那么其需求的是牛仔裤，而不是衬衫。

2. 推荐系统的目的

1. 寻求解决信息过载的思路
2. 商家通过推荐系统盈利，提供个性化服务，增加用户粘性
3. 用户通过推荐获得surprise

3. 推荐系统之 系统结构

评价标准：offline model——准确度；online——准确度、速度

4.推荐系统之 评价标准

推荐系统的评价标准主要有：准确度、覆盖率、多样性

4.1准确度

a. 打分系统(电影评分)
设$r_{ui}$为用户$u$对item $i$ 的实际评分，$\hat r_{ui}为预测$。
RMSE均方根误差衡量观测值和真值的偏差，它是观测值和真值偏差的平方与观测次数n比值的平方根。

$$RMSE=\sqrt\frac{\sum_{u,i\in T}(r_{ui}-\hat r_{ui})^2}{|T|}$$
b.Top N推荐 (今日头条：item点或不点)
设R(u)用训练集建立的model在训练集上的推荐；T(u)为测试集上用户的选择
准确率(Precision)和召回率(Recall)分别为
$$Precision=\frac{\sum_{u\in U}|R(u)\cap T(u)|}{\sum_{u\in U}|R(u)|}$$
$$Recall=\frac{\sum_{u\in U}|R(u)\cap T(u)|}{\sum_{u\in U}|T(u)|}$$

其中，红色圆表示R(u)，绿色圆表示T(u)，两圆相交为A
准确率为: $\frac{A}{R(u)}$，召回率为 $\frac{A}{T(u)}$

4.2覆盖率

为了消除马太效应，对物品长尾的发掘能力。

马太效应：推荐的都是hot，用户浏览的也是hot，造成一些冷门item永远无法被推荐。

$$Coverage=\frac{|U_{u\in UR(u)}|}{|I|}$$ $$H=-\sum_{i = 1}^{n}p(i)·logp(i)$$
其中 $I$为商品的数量，$R(u)$为被推荐的数量； $p(i)$为第 $i$个商品被推荐的次数/总次数，当$p(i)$都相等时，熵 $H$才取最大值，从而说明了希望所有商品都有一定的推荐次数。

4.3 多样性

表示推荐列表中物品两两之间的不相似性。比如：推荐100件衬衫，用户也只可能买一件，可以搭配推荐些牛仔裤等。

$$Diversity(R(u))=1-\frac{\sum_{i, j\in R(u), i \not = j}s(i, j)}{\frac{1}{2}|R(u)|(|R(u)| - 1)}$$ $$Diversity=\frac{1}{|U|}\sum_{u\in u}Diversity(R(u))$$
假设 $s(i, j)$表示物品i和j的相似度； $|R(u)|$为被推荐item的个数； $\frac{1}{2}|R(u)|(|R(u)| - 1)$表示 $C_{|R(u)|}^{2}$,即被推荐的个数。
$|U|$为被推荐的item个数

4.4其它

除上述评价指标还有：新颖度、信任度和实时性。
参考笔记：
https://mp.weixin.qq.com/s?__biz=MzIzOTU0NTQ0MA==&mid=2247483811&idx=1&sn=fc3ee4ddfc4a8d6014a4cd90cdb5983c