《推荐系统实践》要点思维导图

推荐系统实践

1 好的推荐系统

1.1 基本任务：联系用户和物品

与分类目录、搜索引擎一样解决信息过载问题。

解决无明确目的的物品需求，并能发掘物品长尾。

1.2 推荐应用

应用于电子商务、视频网站、音乐电台、社交网络、个性化阅读、LBS、个性化邮件、定向广告投放。

前端页面、后台日志和推荐算法三功能。

1.3 系统评测

1）实验方法：离线实验、用户调查、在线实验。

2）评测指标：

用户满意度（问卷）。

预测准确度（评分预测RMSE和MAE、TopN推荐准确率和召回率）。

覆盖率（信息熵和基尼系数）。

多样性、新颖性、惊喜度、信任度、实时性、健壮性、商业目标。

3）评测维度：用户、物品、时间。

2 利用用户行为数据

2.1用户行为数据：正、负反馈

无上下文信息的隐性反馈数据

无上下文信息的显性反馈数据

有上下文信息的隐性反馈数据

有上下文信息的显性反馈数据

2.2 用户行为分析

1)用户活跃度和物品流行度的分布：长尾分布

2)用户活跃度和物品流行度的关系：协同过滤推荐算法

基于领域的方法：UserCF和ItemCF

隐语义模型LFM

基于图的随机游走算法

2.3 算法及评测

训练集和测试集、召回率、准确率、覆盖率、流行度

UserCF：用户相似度矩阵和用户对物品的兴趣度

ItemCF：物品相似度矩阵和用户对物品的兴趣度

LFM：P、Q矩阵SVD求解以及用户对物品的兴趣度

基于图的模型（graph-based model）：度量顶点间相关性的算法，基于随机游走的PersonalRank算法

3 推荐系统冷启动问题

3.1 冷启动问题

1)用户冷启动：解决新用户个性化推荐

2)物品冷启动：解决新物品推荐给感兴趣用户

3)系统冷启动：解决新系统向用户推荐物品

4)非个性化推荐：热门排行榜