《推荐系统》--混合推荐、解释及如何评估推荐系统

《Recommender System An Introduction》，第五章，混合推荐方法。

《Recommender System An Introduction》，第六章，推荐系统的解释。

《Recommender System An Introduction》，第七章，评估推荐系统。

混合推荐方法

如何进行混合推荐，要考虑两个问题：基础的推荐理论框架和系统的混合设计，也就是组合两个以上算法的方法。

推荐理论框架

推荐问题通常可以转换成效用函数rec，预测物品集合I中得物品i对整个用户级U中某个特定用户u的有用性。

效果指的是物品满足某种抽象目标的能力，比如最好地满足用户假定需求，或者是最大地提高零售商的转化率。因此，推荐算法的预测任务就是推算给定用户和物品的效用分数。

基于效用或基于知识的推荐系统，可以直接从先验的效用机制中得到效用分数值，而协同过滤方法根据群体的评分预测效用分数。

3种主要的推荐理论框架：

（1）协同过滤。协同过滤原理假设人以类聚，大家有着相似的行为，需求和偏好也差不多。协同推荐的任务就是确定相似的对等者，从他们喜欢的物品中得到推荐结果。

（2）基于内容的理论框架遵循“以不变应万变”的方法，根据用户过去喜欢的物品推荐相似的物品。

（3）基于知识的推荐，认为会有额外的信息源，即显式的个性化知识。

选择哪种推荐理论框架决定了要输入数据的类型：

理论框架	用户记录和上下文参数	群体数据	产品特征	知识模型
协同过滤	是	是	否	否
基于内容	是	否</