【推荐系统】基础笔记

一、推荐系统的评价指标
二、传统的推荐算法
2.1 协同过滤（CF）
协同过滤（Collaborative Filtering）是根据已有数据来推测出未知数据。
从海量的数据中找到类似（ 即相似度达到指定范围）的数据，以此进行推荐。
启发式的协同过滤算法可以分为：基于用户的协同过滤算法，基于项目的协同过滤算法。
https://blog.csdn.net/m0_51990525/article/details/115873615
基于用户：计算用户之间的相关度 给物体找用户
基于物品：ItemCF 计算物品之间的相关度 给用户找物品

• 对于UserCF，首先需要找到和他们看了同样书的其他用户（兴趣相似的用户）， 然后给他们推荐那些用户喜欢的其他书。
• 对于ItemCF，需要给他们推荐和他们已经看的书相似的书，比如作者B看了很多 关于数据挖掘的书，可以给他推荐机器学习或者模式识别方面的书。

优点：
推荐个性化、自动化程度高、能够有效的利用其他相似用户的回馈信息、加快个性化学习的速度。
缺点：
新用户问题(New User Problem) 系统开始时推荐质量较差；
新项目问题(New Item Problem) 质量取决于历史数据集；
2.2 矩阵分解算法 （CF的升级版）
M=U×S×V‘
U是用户矩阵，每一行表示一个用户的隐向量
V是物品矩阵，每一列表示一个物品的隐向量
S的每一个维度表示一个熟悉，S中主对角线的大小表示
下图是
escapist 逃避现实的
serious 严肃的
geared n齿轮 v搭配
geared toward females
geared toward males

孤陋寡闻
q(i):用户i的隐向量
p(u):物品u的隐向量
r(u,i)：用户i对物品u的打分
用梯度下降法求解：
（1）式2-8为目标函数
（2）p和q都是要优化的参数

权重更小的话波动更小，这样就能减小过拟合现象。

三、隐语义模型（LFM）
LFM（latent factor model）隐语义模型

四、LSTM