关于推荐系统的顿悟

0.基础推荐系统的本质

推荐系统高端的没见过，基础的协同过滤看了不少。今天顿悟了，他们的基本数学模型。其实是在算一个概率问题：在购买了当前的产品序列的情况下，购买itemj的概率。即P（itemj | boughts）。具体说，用户协同过滤并不是很直接的概率，而是把这个概率表征为相同兴趣的人喜欢相同事物的可能性大；物品协同过滤就很简单了，通过日志计算概率P（itemi | itemj），然后取和得到P（itemj | boughts）。其他 的算法只不过是通过数学方法让这个计算过程更快捷。

1.被黑的推荐系统

豆瓣：我买俩馒头——要不要来碗米饭？淘宝：我吃完俩馒头——要不要来俩馒头？百度：老板给我俩馒头——湖南株洲馒头机制造厂。腾讯：我正要买馒头——后面拍拍我，同学来我这买，一模一样还有豆沙馅。360：让我摸一下，免费送馒头。新浪微博：我想吃馒头——你好友@某某吃过馒头。

这是黑推荐系统的一个例子，其实很明显的一个问题在于，推荐系统将购买抽象为bag of words，这样的话，购买的时间就不能起作用了，当然在计算概率时简单很多。对比自然语言处理，n-gram貌似才是好推荐系统的模型，即把购买认定为一个时间序列，行为互相影响，即马尔科夫链，计算P（itemj | <0,1,2,3>）。不过会出现很大的计算量的问题，具体的办法还在想。