推荐系统（1）

社会化推荐
基于内容的推荐
基于协同过滤的推荐

推荐算法的本质是用过一定的方式将用户和物品联系起来，而不同的推荐系统利用了不同的方式。

个性化推荐系统

通过分析大量童虎的行为日志，给不同的用户提供不同的个性化页面展示，来提高网站的点击率和转化率 电子商务、电影和视频、音乐、社交网络、阅读、基于位置的服务、个性化邮件和广告

电子商务：

亚马逊包含：1.推荐结果的标题、缩略图以及其他内容属性
2.推荐结果的平均分
3.推荐理由
4.推荐相关列表
电影和视频网站：Netflix：基于物品的推荐算法

音乐推荐：

1.物品空间大
2.消费每首歌的代价很小
3.物品种类丰富
4.听一首歌耗时很少
5.物品重用率很高
6.用户充满激情
7.上下文相关 次序很重要
8.很多播放列表资源
9.不需要用户全神贯注
10.高度社会化

个性化阅读：

两个因素：第一，互联网上的文章非常多，用户面临信息过载。第二，用户很多时候没有必须看某篇具体文章的需求，知识想通过阅读特定领域的文章了解这些领域的动态。
个性化广告：
1.上下文广告
2.搜索广告
3.个性化展示广告

个性化推荐的成功应用需要两个条件：
第一是存在信息过载
第二是用户大部分时候没有特别明确的需求

推荐系统评测：
三个参与方：用户、物品提供者、提供推荐系统的网站
推荐系统的试验方法

离线实验：

（1） 通过日志系统获得用户行为数据，并按照一定格式生成一个标准的数据集
（2） 将数据集按照一定的规则分成训练集和测试集
（3） 在训练集上训练用户兴趣模型，在测试集上进行测试
（4） 通过实现定义的离线指标评测算法在测试集上的预测结果

好处：不需要真实用户参与 可以直接快速的计算出来，方便快速的测试大量不同的算法
缺点：无法获得很多商业上关注的指标：点击率、转化率

用户调查：需要尽量保证测试用户的分布和真实用户的分布相同，比如：男女各半，年龄，活跃程度的分布都和真实用户分布尽量相同。 尽量保证是双盲实验，不要让实验人员和用户事先知道测试的目标，避免用户的回答和实验人员的测试受主观成分的影响。

优点：获取到很多体现用户主观感受的指标
相对在线实验风险很低
出现错误后很容易弥补

缺点：招募测试用户代缴较大
很难组织大规模的测试用户，因此会使测试结果的统计以及不足
设计双盲实验非常困难

在线实验：

AB测试：优点：可以公平获取不同算法实际在线时的性能指标，包括商业上关注的指标
缺点：周期比较长，必须进行长期的实验才能得到可靠的结果

一个新的推荐算法最终上线需要完成上述三个实验：
（1） 通过离线实验证明他在很多离线指标上由于现有的算法
（2） 通过用户调查确定他的用户满意度不低于现有的算法
（3） 通过在线的AB测试确定他在我们关系的指标上优于现有的算法

测试指标：
1.用户满意度：没有办法离线计算，只能通过用户调查或者在线实验获得。主要是通过调查问卷。
2.预测准确度：评分预测：均方根误差（ RMSE）和平均绝对误差（ MAE）计算一个用户u和物品i，令rui是用户u对物品i的实际评分，而 rˆui 是推荐算法给出的预测评
分，

TopN推荐：一般是给用户一个个性化的推荐列表，一般通过准确率（precision）/召回率（recall） 度量

覆盖率：描述一个推荐系统对五篇长尾的发掘能力

覆盖率是一个内容提供商会关心的指标。

多样性：假设s (i , j)  [0,1]定义了物品i和j之间的相似度，那么用户u的推荐列表R(u)的多样性定义如下

新颖性：给用户推荐他们以前没有听说过的物品
惊喜度：
信任度：提高信任度的方法：（1）增加推荐系统的透明度
（2）考虑用户的社交网络信息
实时性：
健壮性
商业目标

利用用户行为数据
用户行为数据在网站上最简单的存在形式就是日志。
用户行为在个性化推荐系统中一般分为两种——显性反馈行为和隐性反馈行为
显性反馈行为包括用户明确表示对物品洗好的行为
隐性反馈行为是指那些不能明确发硬用户喜好的行为。 代表性的行为：页面浏览行为

按照反馈的方向分：正反馈和负反馈
产生行为的用户和行为的对象、行为的种类、产生行为的上下文、行为的内容和权重
表2-3 用户行为的统一表示
user id 产生行为的用户的唯一标识
item id 产生行为的对象的唯一标识
behavior type 行为的种类（比如是购买还是浏览）
context 产生行为的上下文，包括时间和地点等
behavior weight 行为的权重（如果是观看视频的行为，那么这个权重可以是观看时长；如果是打分行为，这个权重可以是分数）
Behavior content 行为的内容（如果是评论行为，那么就是评论的文本；如果是打标签的行为，就是标签）

无上下文信息的隐性反馈数据集：每一条行为记录仅仅包换用户ID 和物品ID
无上下文信息的显性反馈数据集：每一条记录包含用户ID 物品ID和用户对物品的评分
有上下文信息的隐性反馈数据集：每一条记录包含用户ID 物品ID 和用户对物品产生行为的时间戳
有上下文信息的线性反馈数据集：每一条记录包含用户ID 物品ID 用户对物品的评分 和评分行为发生的时间戳

用户行为分析
用户活跃度和物品流行度的分布 长尾分布

用户活跃度和物品流行度的关系
基于用户的协同过滤算法 给用户推荐和他兴趣相似的其他用户喜欢的物品
基于物品的协同过滤算法 给用户推荐和他之前喜欢的物品相似的物品

2.4 基于邻域的算法
基于用户的协同过滤算法
基于物品的系统过滤算法

基于用户的系统过滤算法
当A 需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把这些用户喜欢的 而用户A 没有听说过的物品推荐给A
两个步骤：
（1）找到和目标用户兴趣相似的用户集合
（2）找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户

UserCF只有一个重要的参数K ，即为每个用户选出K个和他兴趣醉相思的用户，然后推荐那K个用户感兴趣的物品