关于评分预测和TopN推荐的理解

初识推荐系统的小白一枚，在看推荐系统遇上深度学习系列文章时，(一)–FM模型理论和实践：https://github.com/dox1994/recommend_system/blob/master/FM/fm.ipynb，
发现作者使用RMSE作为损失函数，一开始不太理解，查阅资料后，发现这个例子属于典型的评分预测问题。

---

推荐系统的目标

通过用户的历史行为来建模用户的偏好，进而选出用户最喜爱的TopN个item，实际是对所有item的排序，选出前N个。

评分预测和TopN的关系

评分预测（rating prediction）：实际是我们知道用户对item的显示反馈，比如用户给电影打分等，对于这种评分预测场景，我们采用point-wise的方式对user和item进行建模，及考虑单个user和单个item之间的关系，这种问题的损失函数通常使用RMSE，即期望预测评分与真实评分差距最小，但是基于评分预测的思路，我们并不能得到TopN，原因是评分预测的损失和目标不一致，评分预测是point-wise的方式，而TopN实际上是list-wise方法

所以作者认为，TopN推荐是推荐的终极目标，评分预测是实现TopN的一种近似方法

point-wise方法：

特点

• 输入空间中样本是单个user（和对应的item）构成的特征向量
• 输出空间中样本是单个user（和对应的item）构成的特征向量
• 假设空间中样本是打分函数
• 损失函数评估单个item的预测得分和真实得分之间的差异
  缺陷
• ranking追求的是排序结果，并不要求精确打分，只要求相对打分即可
• point-wise类方法并没有考虑user对应的item之间的内部依赖性，一方面，导致输入空间内样本不是iid的，违反ML的基本假设，另一方面，没有充分利用这种样本间的结构性，其次，当不同的item对应不同数量的item时，整体的loss将会被对应item数量多的user组所支配
• 损失函数也没有model到预测排序中的位置信息，因此，损失函数可能无意的过多强度那些不重要的item，即那些排序在后面，对用户体验影响较小的item

list-wise方法：

特点

• 输入空间中样本是同一user对应的所有item构成的多个特征向量
• 输出空间样本是这些items（和对应的user）的相关度排序
• 假设空间中样本是多变量函数，对于所有的item得到其排列，在实践中，通常是一个打分函数，根据打分函数对所有的item的打分进行排序，得到item相关度的排序
• 损失函数分为两类，一类是直接和评价指标相关的，，还有一类是不相关的，具体可看参考资料2
  缺陷
• 一些ranking算法需要基于排列在计算loss，从而使得训练复杂度较高

参考资料：

1. https://www.zhihu.com/question/20391355

2. https://blog.csdn.net/lipengcn/article/details/80373744

3. https://github.com/dox1994/recommend_system/blob/master/FM/fm.ipynb