160824--推荐系统中的排序学习

1、推荐系统

推荐系统的主要工作，就是给用户推荐他之前没有接触过但可能会感兴趣的物品。即从用户的历史记录里提取出用户的兴趣偏好，然后根据偏好给用户推荐新的物品。

2、排序学习

排序学习算法最初是在信息检索领域中提出，用于对检索结果的排序。由于信息检索与推荐系统具有一定的相似性，都是根据用户的需求找到与其需求相符合的物品提供给用户。不同点在于，信息检索中用户的需求是明确的，例如关键字；而推荐系统中用户的需求不是明确给出的，需要对用户的历史行为数据进行分析得到。

排序学习算法为什么被引入推荐系统领域？因为给用户进行推荐时，一般是以列表的形式呈现，top5，top10等等，那么必然希望越满足用户兴趣的物品排在越前面越好，这就必然要涉及到物品排列顺序的问题。另一方面，研究者发现在对物品进行评分预测时，尽管误差很小，但仍有顺序排错的可能，于是转为直接对物品进行排序，而不是预测用户对物品的打分，而且用户在意的是物品的顺序而不是评分。（此处记得有依据，好像是预测评分意义不大，因为用户还没有观看过，预测的评分没有意义）

排序学习在推荐系统中的应用

2.1排序学习的原理

根据我到目前为止看过的论文和我自己的理解，排序学习是一种有监督的机器学习，它与评分预测不同，但也有相似之处。通过排序学习学习到的也是用户特征向量和物品特征向量。得分函数

2.2排序算法分类

排序算法一般分为三类：点级，对级和表级。

点级算法，类似于预测评分的方法

对级算法，通过构造偏序对，得到任意两个物品间的顺序关系，进而就可得到所有物品间的一个顺序关系。（不同用户的序关系？）

2.3存在的问题

2.4解决方案

3、总结