推荐系统基本概念与分类

---

前言

小白记录自学推荐系统

---

刚接触推荐系统，有错误的地方还请各位指正，感谢理解~

一、什么是推荐系统？

推荐系统是能找出用户和物品之间联系的信息过滤系统。推荐系统主要有两个显著的特征：

1. 主动性：从用户角度考虑。不需要用户提供明确的需求，能够自主通过分析用户与物品之间的关联数据进行建模，为用户提供可能感兴趣的信息。
2. 个性化：能够挖掘冷门信息推荐给用户。

总之，推荐系统推荐的物品通常来说不是对用户有帮助的，就是用户自己感兴趣的。

二、推荐系统的分类

推荐系统分类方法有很多种，依据推荐算法，可以将其分为基于内容的推荐、基于协同过滤的推荐和混合推荐。

1.基于内容的推荐

这种方法利用用户已经选择的对象，从候选集中找出与用户已选对象相似的对象作为推荐结果。这种方法的策略是首先提取推荐对象的内容特征，并和用户模型中的用户兴趣匹配。
如下图，用户A喜欢具有特征A、B的商品A，而商品C也具有特征A、B，商品A与商品C相似，于是商品C被推荐给用户A。
基于内容的推荐有如下优点：1) 简单有效，推荐结果较为直观，可解释性强；2) 没有新推荐对象冷启动的问题；3) 简单的分类方法就能够支持该策略。缺点有：1)受推荐对象特征提取能力的限制，对多媒体、文本资源的特征提取不够全面；2) 很难提出新颖的推荐结果，难以发现用户新的兴趣点；3) 存在新用户冷启动的问题。

2.基于协同过滤的推荐

2.1 基于用户的协同过滤

基于用户的协同过滤的基本思想是首先找到与目标用户兴趣相同的用户集合，然后找到这个集合中用户喜欢并且没有听说过的物品推荐给目标用户。如下图：用户A喜欢商品A和C，用户C喜欢商品A、C和D，用户A和用户C具有相似的兴趣爱好，因此将商品D推荐给用户A。

2.2 基于对象的协同过滤

基于项目的协同过滤的基本思想是基于所有用户对推荐对象的评价的推荐策略。如果一大部分用户对一些推荐对象的评分较为相似，那么当前用户对于这些推荐对象的评分也相似。然后将相似的推荐对象中用户未进行评分的对象推荐给用户。总之，基于对象的协同过滤就是根据用户对推荐对象的评价，发现对象间的相似度，根据用户的历史偏好将相似的对象推荐给该用户。如下图：用户A喜欢商品A和C，用户B喜欢商品A、B和C，用户C也喜欢商品A，通过这些用户的喜好可以判断商品A和商品C是相似的，因此给喜欢商品A的用户C也推荐商品C。

2.3 基于模型的协同过滤

基于模型的协同过滤的基本思想是基于样本用户的喜好信息，训练一个推荐模型，然后根据实时的用户喜好信息进行推荐，其和上述两种协同推荐的不同点在于先对已有数据应用统计和机器学习的方法得到模型，再进行预测。

基于协同过滤推荐的优点：1) 可以使用在复杂的非结构化对象上；2) 能够发现用户新的兴趣爱好，给用户带来惊喜；3) 以用户为中心的自动推荐，随着用户数量的增加，用户体验也会越来越好。缺点：1) 存在冷启动的问题；2) 存在稀疏性问题，即用户大量增长的同时，评价差异性会越来越大，推荐对象也会越来越多，导致大量的推荐对象没有经过用户评价，部分用户无法获得推荐结果，部分对象无法被推荐。

3.混合推荐方法

目前使用最多的混合推荐方法就是把基于内容的推荐和协同过滤推荐组合。可以简单分为一下两种：

1. 推荐结果混合：将多种推荐方法产生的结果通过某种方式进行混合计算而产生最终的推荐结果。常用投票法。

2. 推荐算法混合：以某一种推荐策略作为框架，混合另外的推荐策略。如协同过滤推荐的框架混合基于内容的推荐策略。

三、搜索与推荐的区别

1. 用户意图是否明确；
2. 个性化程度；
3. 评价标准；
4. 马太效应与长尾理论：马太效应即热门物品受到更多的关注，冷门物品则越被遗忘的现象，长尾理论指的是冷门物品的种类远远高于热门物品的种类。

---

总结

以上就是今天的学习内容，主要是推荐系统的定义以及种类，最后简单总结了搜索与推荐的不同。