推荐系统系列——推荐系统简介

同步读书之《菜根谭》

1——栖守道德，毋依阿权贵。

  栖守道德者，寂寞一时；依阿权势者，凄凉万古。达人观物外之物，思身后之身，宁受一时之寂寞，毋取万古之凄凉。

2——与其练达，不若朴鲁。

  涉世浅，点染亦浅；历事深，机械亦深。故君子与其练达，不若朴鲁；与其曲谨，不若疏狂。
点染：玷污

推荐系统简介

  推荐系统很好的解决了信息过载对于用户的影响，使得用户能够精准获取自己需要的信息；而对于企业来说，推荐系统能够提高用户转化率，达到公司商业目标；因而在过去的一段时间里推荐系统取得了显著发展。

  过去几十年间互联网技术实现了飞跃式的发展，人们被海量信息包裹着，如何根据用户的需求进行精准的推荐成为亟待解决的问题，所以说推荐系统应运而生。广义上的推荐系统可以理解为是主动向用户推荐物品(Item)的系统，所推荐的物品可以是音乐、书籍、餐厅、活动、股票、数码产品、新闻条目等等，这依赖于具体的应用领域，推荐系统所推荐的物品或者对用户有帮助，或者用户可能感兴趣[1]。

  由推荐系统的定义我们可以看出其整体逻辑框架十分清晰，就是对于特定用户，在特定的上下文信息下，构建一个推荐函数，预测用户对候选物品的喜好程度，从而从候选物品中选择合适的物品推荐给用户。可以作图示如下：

图1.1 推荐系统的逻辑框架

1 推荐问题的形式化定义

  假设我们使用观察到的向量 表示用户u， 表示第i个物品，而推荐系统的任务就是在已知信息下预测第t+1步用户对物品i的偏好评分为 ，其中 表示抽象出来的物品i的特征表示， 是在当前t时刻对信息进行处理的模型的抽象函数表示， 分别代表用户数据、上下文信息和候选物品信息。

2 推荐系统的历史

  1994年基于协同过滤的GroupLens工作的问世标志着推荐系统成为一个相对独立的研究方向[2]。Resnick 等人在1997年首次创造性地提出了推荐系统这个词[3]，推荐系统开始成为一个重要的研究领域。1998年亚马逊提出了基于物品的协同过滤算法；2005年Adomavicius 等人的综述论文[4]将推荐系统分为基于内容的推荐、基于协同过滤的推荐和混合推荐的方法，成为一个经典的推荐系统分类。2006 年，Netflix 百万美金大赛使得大量经典的推荐算法涌现出来，其中最有影响力的当属SVD++模型[5]。2007年第一届ACM 推荐系统大会在美国举行，到2017年已经是第11届。2016年，YouTube发表论文[6]，将深度神经网络应用推荐系统中，使得推荐系统进入深度学习时代。

  虽然推荐系统的发展取得了显著成就，但是仍然有许多问题亟待解决。比如说， 由于用户面临的选择很多，所以只会对较少的一部分进行打分，所以会存在数据稀疏性的问题。而且，对于没有产生历史数据的新用户，如何向其推荐合适的物品也是一个难题，这就是冷启动问题。此外如何保证推荐系统能够实时地向用户提供想要的推荐？如何保证推荐系统能够考虑到所有人群等等，这些问题都等待着研究人员来解决。

3 参考文献

[1] G. Adomavicius, “Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions”, IEEE Transactions on Knowledge and Data Engineering, 2005.
[2] P. Resnick, N. Iacovou, etc. “GroupLens: An Open Architecture for Collaborative Filtering of Netnews”, Proceedings of ACM Conference on Computer Supported Cooperative Work, CSCW 1994.pp.175-186.
[3] Resnick P, Varian H R. Recommender systems[J].Communications of the ACM, 1997, 40(3): 56-58.
[4] Adomavicius G, Tuzhilin A. Toward the nextgeneration of recommender systems: a survey of the state-of-the-art and possibleextensions[J]. IEEE Transactions on Knowledge and Data Engineering, 2005,17(6): 734-749.
[5] Yehuda Koren. 2008. Factorization meets the neighborhood: a multifaceted collaborative filtering model. In Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD '08). Association for Computing Machinery, New York, NY, USA, 426–434.
[6] Cremonesi P, Tripodi A, Turrin R. Cross-DomainRecommender Systems.[C] IEEE, International Conference on Data MiningWorkshops. IEEE, 2012:496-503.