第一章 基于评分矩阵的推荐系统

一、学习目标

1.推荐系统概要

2.学习三种协同过滤的经典推荐系统

3.学习各种方法改善协同过滤的推荐系统

二、推荐系统概要

        作用：为用户定制化提供推荐信息。

        原因：如今用户处在信息爆炸的时代，难以找到自己想要的信息。

        难点：不像搜索引擎一样需要用户输入，而且需要针对不同用户个性化推荐。

三、三种经典的协同过滤（CF）推荐系统

1.纯CF

        即计算该用户历史上对一系列物品的评分取平均，作为其对当前一系列所对应未知物品的评分。选择前n个物品来作推荐。

2.基于用户的最近邻CF

        寻找当前用户的一些相似邻居（他们的历史评分与当前用户的相似），这些邻居有对未知物品进行评分，用他们的评分来确定当前用户的评分。

        问题1：

        问题2是可人为设定的参数，不用细讲，而问题3，则可通过上面的相似性*分数的形式得到：

3.基于商品的CF

        同基于用户，也需要计算商品之间的相似性，再计算当前商品的得分：

4.各种问题

        新用户如何推荐商品。（冷启动问题）

        当前用户评分过少，如何推荐（评分矩阵稀疏问题，下面改善方法都是为解决该问题）

 四、改善方法

1.引入隐式评分

        前面的评分都是用户直接评的，但并不是所有用户都愿意花时间去评，所以映入隐式评分：

2.奇异值分解稀疏矩阵

        例子：（奇异值分解步骤可见网上教程）

3.关联规则挖掘

        例子：

4.概率方法

        主要核心是使用贝叶斯公式来进行似然估计：

         例子：

5.Slope-one预测器

6.RF-Rec预测器

五、总结