机器学习——推荐系统 知识点总结

一、什么是推荐系统？

概念：一种自动化的工具，可以分析你的历史兴趣，从庞大的库中推荐出喜欢的物品。

基本任务：联系用户和物品，解决信息过载的问题。

诞生：早在很多年前，科学家门就提出了很多解决方案，代表性的就是分类目录和搜索引擎。雅虎，谷歌。其中分类目录网站：能方便用户根据类别查找网站，但是只能覆盖少量的热门网站，越来越不能满足客户的需求。因此，搜索引擎诞生了。可以让用户根据搜索关键词来找到自己需要的信息。但是，搜索引擎需要用户主动提供准确的关键词。如果用户不明确，就无能为力了。——>推荐系统，也是一种帮助用户快速发现有用信息的工具，但不同的是，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，从而主动的给用户推荐能够满足他们兴趣和需求的信息。

推荐系统算法通常是某类推荐模型的实现，它负责获取数据，例如用户的喜好和可推荐项的描述，以及预测给定的用户组会对哪些选项感兴趣。通常分为四大类：基于内容、协同过滤、混合、流行度。

步骤：1）以机器学习的方法，生成“用户预测模型”，这一步骤叫：信息学习器；

2）将 结构化过的物品 通过“信息学习器”进行比对，预测用户是否会感兴趣；

3）将用户 可能感兴趣的物品TopN 生成推荐结果集；

/*-------------------------1、基于内容的推荐------------------------------*/

（可理解成建立在用户兴趣正例和负例文本训练集上的“文本分类器”，准确率依赖于大量的训练样本，样本的好坏又依赖于对用户兴趣的句法分析。）

（1）简介：向用户推荐和其过去喜欢项的内容相似的项。（用户喜欢和自己关注过的商品类似的商品。）

（2）输入：仅仅依赖于项和用户的 内容/描述（除了惯用数据）

（3）类型：信息检索，机器学习（朴素贝叶斯、支持向量机、决策树等）

（4）步骤：1）对于要推荐的物品建立一份特征；2）对于用户喜欢的物品建立一份特征；

3）计算相似度；（例如：余弦相似度）

优点：

a）避免冷启动问题（新物品无评分也能获得推荐机会，但协同不能）；

b) 不需要惯用数据 ，仅需要基于用户喜欢的物品的属性/内容进行推荐。

c）没有流行度偏见，可以推荐有罕见性质的项 （协同有）

d）用户独立性：仅需分析内容，无需考虑用户与用户之间的关联。（基于自己的喜好构建自己的信息，而协同是获得邻居的喜好物品。）