1-推荐系统概述

1.推荐系统的分类

• 根据实时性分类

1. 离线推荐
2. 实时推荐

• 根据推荐是否个性化分类

1. 基于统计的推荐
2. 个性化推荐

• 根据推荐原则分类

1. 基于相似度的推荐
2. 基于知识的推荐
3. 基于模型的推荐

• 基于数据源分类

1. 基于人口统计学的推荐
2. 基于内容的推荐
3. 基于协同过滤的推荐

2.推荐算法介绍

2.1基于人口统计学的推荐算法

2.2基于内容的推荐算法

2.3基于协同过滤的推荐算法 ***

$$CollaborativeFiltering$$

• 基于近邻的协同过滤

1. 基于用户

2. 基于物品

• 基于模型的协同过滤

1. 奇异值分解（SVD）
2. 潜在语义分析（LSA）
3. 支持向量机（SVM）

3.推荐系统实验方法

• 离线实验

1. 通过体制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为训练集和测试集
3. 在训练集上训练用户兴趣模型，在测试集上进行预测
4. 通过事先定义的离线指标评测算法在测试集上的预测结果

• 用户调查

1. 用户调查需要一些真实用户，让他们在需要测试的推荐系统上完成一些任务，我们需要记录他们的行为，让他们回答问题，最后分析

• 在线实验

1. AB测试（需要长周期）

4.推荐系统评测指标

• 预测准确度

  • 评分预测

    1. 很多网站都有让用户给物品打分的功能，如果知道用户对物品的历史评分，就可以从中学习一个兴趣模型，从而预测用户对新物品的评分

    2. 评分预测的准确度一般用均方根误差（RMSE）或平均绝对误差（MAE）计算

  • Top-N推荐

    1. 网站提供服务的时候，一般是给用户一个个性化的推荐列表，这种推荐叫做Top-N推荐
    2. Top-N推荐的预测准确率一般用精确率和召回率来度量

• 用户满意度

• 覆盖率

• 多样性

• 惊喜度

• 信任度

• 实时性

• 健壮性

• 商业目标

#回顾一下准确率，精确率和召回率的概念