对于推荐系统理解

                                              part I  推荐系统不同于搜索引擎

        推荐系统之所以不同于搜索引擎，主要在于前者为系统主动发掘用户的潜在item需求，基于item的相似度/其他用户的相似度->相似用户青睐的item集；后者基于用户的主观需求，通过key word实现item的主动搜索。

       推荐系统两类基础

       1）基于item的推荐   主要在发掘item之间的相似性

       2）基于用户的推荐   主要在于发掘高相近的用户之间的item补集   

      

                                              part II  推荐系统表现的相关评判指标

1）用户满意度

      用户主观评判，做个直白的样本评判；如豆瓣的推荐物品旁边都有满意和不满意的按钮。

      用户使用表现，一般用点击率，停留时间，转化率。

2）预测准确度

      如果是类似电影评分机制，则一般计算均方根误差/平均绝对误差。

      如果是topN推荐的话，则主要计算召回率和准确率。

    （p=推荐的n个物品中有多少个是对的/推荐的n个物品; R=推荐的n个物品中有多少个是对的/正确结果个数）

3）覆盖率

     计算所有被推荐的商品占物品总数的比重；考虑是不是所有的商品都有被推荐的机会。

     精确一点的可以信息熵和基尼系数来度量。

4）多样性

     推荐结果中要体现多样性（比如既喜欢看格斗类的电影，又喜欢爱装文艺，且80%是看格斗类，20%看文艺类，那么推荐结果中最好也是这个比例）

     如果推荐列表中所有物品间的相似度都比较高，往往说明都是同一类物品，缺乏多样性。

5）新颖性（某些推荐不适用，商品/产品适用）

     推荐一些用户不知道的商品或者没看过没买过的item。

     通常越不热门的类似物品越会让用户觉得新颖。

另外，可以从推荐系统设计的质量和完善度来评价，如流行程度，内容更新频率，抗恶意攻击能力。

                                        

                                             part III  推荐系统内在算法

        1）基于用户-item矩阵的SVD分解

             A=X*B*Y

      

         A---   关于user-item的矩阵                         B--- 对角矩阵，关于不同的user类和item类间相关性

         X---    关于列item的聚类降维                       Y---关于user的聚类降维

         因此，对于矩阵A进行一次奇异值分解，可以同时完成user的聚类和item的聚类，聚类的基础就是相关性大小。

        2）基于LSA（隐语义分析）模型

            应用于文档检索。如何通过搜索的query来寻找文档，若仅是词语的匹配，难以避免出现一词多意（多义词apple）和多词同义(同义词same/like)的问题；如果匹配的不针对单个的词，而是一类词（某一概念/主题），将词语映射到“主题/概念”空间中，每篇文档以主题/概念来表征。这种“映射”即是一种降维技术。

       3）推荐系统中矩阵分解技术

            A=P*T(Q)        

            A[u][i]----uth用户对ith物品的评分           T(Q)---Q的转置   

            P[u][k]---用户u对因子k的喜欢程度          Q[i][k]---物品i包含因子k的程度