推荐系统初学

推荐系统特征
首先需要明确的就是推荐系统的目标：

• 用户满意性：首当其冲的，推荐系统主要是为了满足用户的需求，因此准确率是评判一个推荐系统好坏的关键指标。
• 多样性：虽然推荐系统主要是满足用户的兴趣，但也要兼容多样性。
• 新颖性：用户看到的内容是那些他们之前没有听说过的物品。简单的做法就是去掉用户之前有过行为的那些内容。
• 实时性：推荐系统主要根据用户的上下文来实时更新推荐内容，用户的兴趣也是随着时间而改变的。
• 推荐透明度：对于用户的最终结果，要让用户知道推荐此内容的原因。比如：“买过这本书的人也同时买过”，“你购买的物品与**相似”。
• 覆盖率：挖掘长尾内容也是推荐系统的重要目标。推荐的内容覆盖到的内容越多越好。

推荐系统包括四种推荐方式：
- 热门推荐：热门排行榜的概念
- 人工推荐：人工干预的推荐内容。
- 相关推荐：类似于关联规则的个性推荐，在读某一个内容时，会提示你阅读此内容相关的内容。
- 个性化推荐：基于用户的历史行为做出内容的推荐。

其中，前三者和机器学习没有任何关系。

个性化推荐系统
个性化推荐系统是机器学习应用的一个典型场景。在本质上和搜索引擎类似，同样是为了解决信息过载的问题。搜索引擎某种意义上也是一个个性化推荐系统，但是其输入特征是可以从搜索关键字直接得到的，而一般的推荐系统，输入特征则是需要机器学习才能得到的。
个性化推荐系统最为核心的推荐算法，目前比较流行的几种：

• 基于内容的推荐：根据内容样本的属性所做的推荐。
• 给予关联规则的推荐：“啤酒与尿布”的方式，是一种动态的推荐，能够实时对用户的行为做出推荐。
• 协同过滤推荐：静态方式的推荐，是根据用户已有的历史行为作分析的基础上做的推荐。可分为物品协同过滤，用户协同过滤，基于模型的协同过滤。