机械学习03---推荐算法01

1. 什么是推荐系统？

推荐系统是啥？

如果你是个多年电商（剁手）党，你会说是这个：

如果你是名充满文艺细胞的音乐发烧友，你会答这个：

如果你是位活跃在各大社交平台的点赞狂魔，你会答这个：

没错，猜你喜欢、个性歌单、热点微博，这些都是推荐系统的输出内容。从这些我们就可以总结出，推荐系统到底是做什么的。

目的1. 帮助用户找到想要的商品（新闻/音乐/……），发掘长尾

帮用户找到想要的东西，谈何容易。商品茫茫多，甚至是我们自己，也经常点开淘宝，面对眼花缭乱的打折活动不知道要买啥。在经济学中，有一个著名理论叫长尾理论（The Long Tail）。

套用在互联网领域中，指的就是最热的那一小部分资源将得到绝大部分的关注，而剩下的很大一部分资源却鲜少有人问津。这不仅造成了资源利用上的浪费，也让很多口味偏小众的用户无法找到自己感兴趣的内容。

目的2. 降低信息过载

互联网时代信息量已然处于爆炸状态，若是将所有内容都放在网站首页上用户是无从阅读的，信息的利用率将会十分低下。因此我们需要推荐系统来帮助用户过滤掉低价值的信息。

目的3. 提高站点的点击率/转化率

好的推荐系统能让用户更频繁地访问一个站点，并且总是能为用户找到他想要购买的商品或者阅读的内容。

目的4. 加深对用户的了解，为用户提供定制化服务

可以想见，每当系统成功推荐了一个用户感兴趣的内容后，我们对该用户的兴趣爱好等维度上的形象是越来越清晰的。当我们能够精确描绘出每个用户的形象之后，就可以为他们定制一系列服务，让拥有各种需求的用户都能在我们的平台上得到满足。

◆ ◆ ◆

推荐算法

算法是什么？我们可以把它简化为一个函数。函数接受若干个参数，输出一个返回值。

算法如上图，输入参数是用户和item的各种属性和特征，包括年龄、性别、地域、商品的类别、发布时间等等。经过推荐算法处理后，返回一个按照用户喜好度排序的item列表。

推荐算法大致可以分为以下几类[1]：

• 基于流行度的算法
• 协同过滤算法
• 基于内容的算法
• 基于模型的算法
• 混合算法

推荐算法中的MF, PMF, BPMF

.矩阵分解（MF）

SVD （singular value decomposition) 奇异值分解

目前推荐系统中用的最多的就是矩阵分解方法，在Netflix Prize推荐系统大赛中取得突出效果。以用户-项目评分矩阵为例，矩阵分解就是预测出评分矩阵中的缺失值，然后根据预测值以某种方式向用户推荐。

常见的矩阵分解方法有基本矩阵分解（basic MF），正则化矩阵分解）（Regularized MF），基于概率的矩阵分解（PMF）等。

 

正则化矩阵分解）（Regularized MF）

正则化矩阵分解是Basic MF的优化，解决MF造成的过拟合问题。其不是直接最小化损失函数，而是在损失函数基础上增加规范化因子，将整体作为损失函数。Regularized MF

• 
• 其中

PMF(概率矩阵分解）

RegularizedMF是对BasicMF的优化，而PMF是在RegularizedMF的基础上，引入概率模型进一步优化。假设用户U和项目V的特征矩阵均服从高斯分布，通过评分矩阵已知值用MAP（最大后验概率）和MLE（最大似然估计）(下面会详细说明)得到U和V的特征矩阵，然后用特征矩阵去预测评分矩阵中的未知值。