Introduction to Recommender System 之 Module 8 Advanced Topic

这一讲主要讲了其他的一些主题：
Treat Model
Cold Start
Context Awareness Recommender System
Group Recommendation
Industrial Practical

Treat Model

Threat主要是指对推荐系统的accuracy、privacy、robustness的threat，主要如下表所示：

分类	产生原因	解决方法
accuracy	malicious user的恶意评分来拉高或者拉低某个产品的分数	对用户进行判断，让用户自己证明自己是自己(user to prove themselves)
privacy	service provider / vender想要获取user的信息，利用信息和已知的算法(Pearson correlation)来构造出自己的优势	seperate(使vender无法获取user的数据)、anonymous、encryption(加密)
robustness	用户自己表现出的一些随机扰动	denoise(但是课程中并没有涉及到相关的内容)

Cold Start

Cold Start（冷启动）这个问题很常见，通常一个新的东西出来因为所有的人都对他不了解，才引起的这一现象。
常见的冷启动分为以下几类：

分类	解决方法
user	推荐popular的item给用户；利用那些non-personalized的方法进行原始的推荐；让用户填写一些preference的选项，以此来构建用户的profile
item	content-based的方法来进行推荐；test with some user who has wide preference（给拥有广泛兴趣爱好的用户进行推荐）
system	购买用户数据；先不启用推荐系统，待收集足够的数据之后再来使用

课程整体总结

基本算法

Non-personalized
content-based
Item/User based
Dimensionality Reduction

评价方式

与推荐的具体目标相关[2]

分类	常见方法
Accuracy	MAE；MSE；RMSE
Decision Support	Rehearsal；Precision & Recall；ROC & AUC
Rank	Reciprocal Rank；Spearman；DCG；
User and Usage-centered	Diversity；Coverage；Serendipity

基本的数据形式与展示方式/接口

主要原则
确定是进行Prediction还是Recommendation
确定**推荐的目的**Evaluate what you want to optimize
用户体验User Experience

本节访谈总结

Context Awareness Recommender System

根据不同的context来推荐不同的东西。另外也可以根据context来消除ambiguity。
加入context因素的模型可以采用下面的方法进行处理：
Pre-Filter Post-Filter Contextual Modeling
具体的过程见下图：

Learning to Rank

通过各种implicit信息与rank信息的融合，利用机器学习中的相关算法，进行模型训练，最终得到prediction。

Group Recommendation

要了解群体的一些特性——assimilate（即在群体做决策时，人们知道其他人的选择时，人们之间更容易达成共识）
策略1——选取中位数（至少有一半人满意，但同时也有一般人不满意）
策略2——只要有不满意的就不选择，会造成个人的权利太大的情况

Industrial Practical

LinkedIn推荐系统的架构
feature-》Algorithm-》Selection-》A/B Test-》应用层

访谈的总结

magic is in the features——特征选取很重要
different strokes for different folks——不同的人要有不同的方法
测试新方法的效果时，应该让新方法执行一段时间再来做评价，以避免novelty effect（人们都乐意尝试新的功能）

参考文献

[1] Coursera上推荐系统导论第8讲
[2] 推荐系统导论第5讲Evaluation个人总结