推荐系统实战第01课 推荐系统简介

推荐系统介绍（what why where）

Industrial Recommendation System

1、推荐系统是什么(what)

•分类⽬录（1990s）：覆盖少量热门⽹站。Hao123 Yahoo
•搜索引擎（2000s）：通过搜索词明确需求。Google Baidu
•推荐系统（2010s）：不需要⽤户提供明确的需求，通过分析⽤ 户的历史⾏为给⽤户的兴趣进⾏建模，从⽽主动给⽤户推荐能 够满⾜他们兴趣和需求的信息。
•2020s？

**一种数学定义： **

• 设C为全体用户集合 n

• 设S为全部商品/推荐内容集合

• 设u是评判把$s_i$推荐$c_i$的好坏评判函数

• 推荐是对于c∈C，找到s∈S，使得u最大，即

$\forall c\in C,s_c^{\prime }=\mathrm{argmax}(u(c,s))s\in S$

• 部分场景下是通过TOP N推荐

搜索 vs 推荐的区别

搜索引擎热力图和长尾理论图

2、为什么推荐系统越来越火？（why）

---

推荐系统存在的前提：

• 信息过载
• ⽤户需求不明确

推荐系统的⽬标：

• ⾼效连接⽤户和物品，发现长尾商品
• 留住⽤户和内容⽣产者，实现商业⽬标

推荐系统意义

1、对用户而言：

找到好玩的东西

帮助决策

发现新鲜事物

2、对商家而言：

• 提供个性化服务，提高信任度和粘性

• 增加营收 …

3、推荐系统需要做怎么做？ （How）

根据用户的：

a) 历史行为

b) 社交关系

c) 兴趣点

d) 所处上下文环境

e) …

去判断用户的当前需求/感兴趣的item

4、**寻求解决信息过载的思路 **

• 之前解决相信过载的方式有：

分类导航页 => 雅虎

搜索引擎 => 谷歌，必应，度娘

• 但是，人总是期望计算机尽量多地服务

  我们不愿意去想搜索词

  希望系统自动挖掘自己的兴趣点

  希望系统能给我们惊喜

• 推荐系统就在这种环境下产生的。目前有今日头条，虾米音乐，电商猜你喜欢，豆瓣…等等。

5、推荐系统结构

推荐系统评估

一、评估指标

•准确性 •满意度 •覆盖率 •多样性 •新颖性 •惊喜度
•信任度 •实时性 •鲁棒性 •可扩展性 •商业⽬标 •⽤户留存

用户的偏好的显示反馈和隐式反馈（Explicit vs Implicit）

1、准确性

**①准确性（学术界） **

评分预测：

打分系统 设$r_{ui}$为用户u对物品i的实际评分， ${\hat{r}}_{ui}$为预测分，则有如下误差判定标准

• 均方根误差

$$\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{\frac{{\sum }_{u,\mathrm{i}\in T}\left(r_{ui}-{\hat{r}}_{ui}\right)}{|T|}}$$