推荐系统简介

一、概述：

1.定义

帮助用户快速发现有用信息的工具,不需要用户提供明确的需求，而是通过分析用户的历史行为给用户的兴趣建模

2.重要模块

用户建模模块、推荐对象建模模块、推荐算法模块

二、推荐算法

比如：规则算法、基于内容的算法、协同过滤的算法等，见下图：

三、评测指标

1.用户满意度：

用户调查获得用户满意度主要是通过调查问卷的形式，是最重要的指标

2.预测准确度

①评分预测（RMSE+MAE）：
预测用户对物品的评分行为成为评分预测,评分预测模型通过对用户的历史物品评分记录进行建模,进而得到用户的兴趣模型,然后使用该模型预测用户未见过商品的评分，一般通过均方根误差(RMSE)和平均绝对误差(MAE)计算
RMSE：均方根误差

MAE:平均绝对误差，对系统要求更加的苛刻

②TopN推荐：
预测准确率指标一般是精确率(precision)和召回率(recall)，通过推荐模型得到的推荐列表与用户在实际场景中(测试集)的行为列表进行对比。
③覆盖率：
一个推荐系统对物品长尾的发掘能力,推荐系统所有推荐出来的商品集合数.占总物品集合数的比例.如果所有的物品都出现在推荐列表中,并且出现的次数都差不多,那么推荐系统发掘长尾的能力就很好.
用信息熵和基尼系数来定义覆盖率.
信息熵定义覆盖率: 其中是物品的流行度除以所有物品流行度之和

基尼系数定义覆盖率:

④多样性：
所有物品之间的不相似性
用户推荐列表的多样性：

推荐系统整体的多样性：

⑤AUC曲线：
ROC曲线下与坐标轴围成的面积，关心正负样本之间的分数高低

⑥健壮性：
任何一个能带来利益的算法系统都会被人攻击，这方面最典型的例子就是搜索引擎（作弊和反作弊斗争）。推荐系统目前也遇到了同样的作弊问题，而健壮性指标衡量了一个推荐系统抗击作弊的能力。
最著名的作弊方法：行为注入攻击
算法健壮性的评测主要利用模拟攻击
在实际系统中，提高系统的健壮性，除了选择健壮性高的算法，还有以下方法：

• 设计推荐推荐系统时尽量使用代价比较高的用户行为
• 在使用数据前，进行攻击检测，从而对数据进行清理

四、召回：

召回层： 快速的筛选，保证相关物品的召回率
排序层： 精准的排序结果
1.多路召回策略：

2.Embedding召回：
将稀疏的向量(如one-hot编码)表示转换成稠密的向量,Embedding相当于是对one-hot做了平滑
主流的Embedding技术：

1. text embedding
2. image embedding
3. graph embedding
   常见的text Embedding的技术有：
4. 静态向量：word2vec, fasttext, glove
5. 动态向量：ELMO, GPT, BERT