推荐系统资料推荐

知乎首页阿黎一只喵

导读

这周看了一些关于推荐相关的资料，相比于NLP来说推荐实在是一个比较庞大的工程。这篇文章仅限于对这周看到的一些资料的总结和个人感受，可能会有一些错误和不成熟的地方，希望大家看到以后可以指出哦。本来打算多看几篇论文的，但是努力不一定成功，不努力却真的很舒服呀哈哈。这篇文章也是躺在床上看到一个关注的博主的推送之后鲤鱼打挺起来写的，希望大家见谅哦（反正也没几个人看）

1. 背景

随着信息技术的飞速发展，当前人们面临的问题由之前的信息不足逐渐转化为当前的信息过载，在这个时代无论是信息生产者还是信息消费者都面临很大的挑战：信息消费者要从海量信息里找到自己需要的信息是件很困难的事情，而信息生产者要让自己的信息触达到更多的用户也是一件非常困难的事情。推荐系统的目的就是解决这一矛盾让用户发现对自己有价值的信息，同时也让信息能够触达自己的目标用户。

看到这里其实会有点迷惑：这和搜索有什么区别呢？当然搜索和推荐的目标非常一致：解决信息过载，帮助用户和信息更快的触达彼此的目标。 但是搜索更倾向于用户有明确的目的，可以将人们的需求转换为关键字，然后返回给用户一系列列表。用户可以对这些返回结果进行反馈，并且可以根据用户反馈的效果调整列表的内容。因此他会存在马太效应 的问题，即会造成越流行的东西随着搜索过程的迭代会越流行，使得那些越不流行的东西石沉大海。

而推荐系统更倾向于用户没有明确目的，推荐系统根据用户的历史行为或者用户的兴趣偏好或者用户的人口统计学特征来送给推荐算法，然后推荐系统运用推荐算法来产生用户可能感兴趣的项目列表。因此推荐系统有可能会提高长尾产品的曝光量，来挖掘长尾项目的潜在利益。

本周看了一些推荐系统的资料，本周就简单的分享一下这些资料，作为一个非推荐从业者，我的感受可能非常不专业，希望大家轻喷。

2. 资料推荐

1. 推荐系统实践

一本非常经典的入门书，没有太多的公式，内容大都联系了工业界的应用，直白易懂，对于推荐常用的算法和他们的性能效果都有一些简单的介绍，作者也简单的实现了一些算法，内容非常详实，很适合入门。

2. Deep Neural Networks for YouTube Recommendations

非常经典的一篇论文，如果说上一本书是对推荐系统一个提纲挈领的浏览，那么这篇论文一定是工业界推荐系统实战的惊鸿一瞥。

和大多数工业界的论文一样，没有花里胡哨的炫技，这篇文章看起来甚至有点朴实无华，文章将推荐系统分成两部分：Candidate Generation Model完成候选视频的快速筛选，这一步候选视频集合由百万降低到了百的量级，Ranking Model完成几百个候选视频的精排。基本的思想是对用户的基础特征，时间特征等进行抽取将其转成embedding的形式然后加上DNN网络进行训练。

3. Restricted Boltzmann Machines for Collaborative Filtering

这篇文章尝试把RBM(玻尔兹曼机)应用到协同过滤框架里，文中用用户对电影的打分形成一个整数的向量，用来表示用户的特征，进一步计算用户之间的相似度。

 

4. Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model

结合了协同过滤和LFM，使用LFM重新表达了全局代价函数，提高了预测的准确率。

 

3 结语和思考

以上就是本周关于推荐系统的一些学习和思考，从论文时间来看都是一些比较早期的论文，而且比较早期的论文，数学可解释信就表现得非常强烈，看起来也有一些困难。但是可以简单的看到推荐系统从比较简单的算法向神经网络转变的一个过程，之后我们可能还是会看一些比较经典的论文，然后再去看一些近期的论文，大家有问题可以一起讨论~