推荐系统简介

• 发展背景：

  • 互联网技术迅猛发展→ 信息爆炸→ 信息超载
  • 互联网上的物品普遍存在长尾(long tail)现象

• 推荐系统：

  • 一种主动的信息过滤系统
    • 将信息过滤过程由“用户主动搜索”转变为“系统主动推送”
  • 一种个性化的双边匹配系统
    • 帮助用户发现其所喜好的或需要的小众、非主流商品
    • 帮助商户将其商品展现在对它们感兴趣的用户面前

• 个性化推荐系统框架
  

• 个性化推荐

  • 映射函数f：U×I→R
  • 输入：
    • 用户画像（U）：评分、偏好、人口统计学资料、上下文等
    • 项目画像（I）：项目描述（属性）、内容等
  • 计算：兴趣度或相关度（R），用于排序
  • 输出：针对每个用户，给出项目排序列表

• 用户画像

  • 对用户的特点和兴趣进行建模
    • 从用户相关的各种数据中挖掘或抽取出用户在不同属性上的标签
    • 例如：年龄、性别、职业、婚姻状态、兴趣、未来可能行为等
  • 主要过程：
    • 标签体系的建立：层次化结构，逐层细分
    • 标签的获取（赋值）：
      • 事实标签：既定事实，可从原始数据中直接得到，如：性别
      • 模型标签：用户潜在特性，通过模型计算得出，如：用户兴趣
      • 预测标签：对用户未来行为的预测，例如：用户流失预测

• 项目画像

  • 对项目的特点进行建模
    • 从项目相关的各种数据中挖掘和抽取出项目在不同属性上的标签
    • 实现对项目（例如商品、服务等）的精准的定位
  • 项目画像的过程和用户画像相同
    • 标签体系的建立（需要领域知识） 和标签的获取（赋值）
  • 项目标签：
    • 项目自身内容和属性相关的标签
    • 和用户（行为）相关的一些标签，例如：目标用户群

• 基于算法思想的分类

  • 基于人口统计学、基于内容、协同过滤、基于知识的推荐
    • 基于人口统计学：根据用户基本信息推荐相似用户喜爱的项目
    • 基于内容：根据用户过去喜好的项目推荐相似的项目
    • 协同过滤：根据用户行为信息推荐相似用户喜爱的项目
    • 基于知识：根据用户的显式需求和专业领域知识进行推荐

• 基于应用问题的分类
  • 评分预测
    • 目标：根据用户历史评分和其他相关数据，预测用户对候选项目评分值
    • 评价指标：预测评分和真实评分之间的偏差，例如：均方根误差RMSE
  • Top-N推荐
    • 目标：根据用户历史行为（如：点击）和其他相关数据，预测用户对候选项目的感兴趣程度，并据此对项目排序以给出排在最前N个的项目列表
    • 评价指标：
      • 分类准确度和排序合理性，例如：精确度、召回率、AUC、nDCG等