《推荐系统与深度学习》阅读简记

---

---

1.推荐系统的基础算法

1.1 基于内容的推荐

根据用户喜好和item的特征来推荐，需要考虑item的特征提取

---

1.2 基于协同的算法（collaborative filtering）

1.2.1 基于物品的协同(ItemCF)

协同，即假定用户会偏好购买相似的物品。以下方法计算物品相似度：

1. 基于共同喜欢用户列表
   使用购买次数N计算物品i与j的相关度：$$w_{ij}=\frac{|N_i\cap N_j|}{\sqrt{|N_i\ast N_j|}}$$
   其中，使用物品购买总次数作为惩罚（分母），消除热门物品的偏差。热门偏差进一步修正：
   $$w_{ij}=\frac{|N_i\cap N_j|}{|N_i{|}^{\alpha }\ast |N_j{|}^{1-\alpha }}$$
2. 基于余弦相似度
   当用户对物品喜好程度有评分时，物品可表示为用户评分向量，进而用余弦相似度计算物品相似度：$$w_{ij}=cos\theta =\frac{N_i\cdot N_j}{||N_i||\ast ||N_j||}$$

1.2.2 基于用户的协同(UserCF)

针对用户购买的物品记录建立向量，购买记录相似的用户相互推荐。算法与前者类似

1.2.3 基于用户协同与物品协同选择

1. 推荐特性：UserCF偏向于推荐热门，ItemCF的推荐更具有新颖性、多样性。
2. 推荐场景：社交网络、博客、微内容等更适合使用UserCF, 相当于对某些身份领域的人群进行了聚类， 购物网站则适合使用ItemCF。
3. 用户特点：用户邻居过少则不适用UserCF, 用户自相似度（喜欢购买以前买过的同类物品）低，不适合ItemCF, 反之亦然。

---

1.2.4 矩阵分解算法(降维)

特征向量$Ax=\lambda x$的几何意义：向量x通过矩阵A变换，只进行缩放，而不改变向量方向，缩放倍数即特征值。
(关于矩阵分解,见另一篇博客)

• svd
  SVD可以将m x n维矩阵压缩为m x k(k<<n)维矩阵，在推荐系统中，n，m分别为用户数、物品数，使用SVD压缩向量长度后再求相似度，可以大大减小计算量，这十分重要。但由于SVD在计算过程中需要将稀疏矩阵补全为稠密矩阵，在大数据情况下无法满足存储要求，因此svd也只能适用于相对较小的规模

• 1.3.2 基于ALS的隐语义模型（交替最小二乘法，Alternating Least Squares）
  将矩阵分解模式改变为$A=P{Q}^T$, 由于等号难以完全满足，因此是两者尽可能小，即转化为最优化问题。其中P,Q分别为用户因子和物品因子。可食用spark计算mllib.als().

1.2.5 稀疏自编码神经网络（降维）

输入层和输出层为相同的高维稀疏用户收藏数据，隐藏层则为单层或多层低维（通过神经元个数设置维度）特征，通过训练可得到收藏数据的低维表示。如果改变输出层的数据（例如使用分类结果），则隐藏层可自动提取由输入、输出端共同的特征压缩表示。

---

---

1.3 基于社交网络的推荐算法

1.3.1

未完待续…