推荐系统简介

一、推荐系统概述

1.1 推荐系统的目的

解决如何从大量信息中找到自己感兴趣的信息。

让用户更快更好的获取到自己的内容

让内容更快更好的推送到喜欢它的用户手中

让（网站）更有效的保留用户资源

1.2 推荐系统基本思想

• 利用用户和物品的特征信息，给用户推荐哪些具有用户喜欢的特征的物品。
• 利用用户喜欢过的物品，给用户推荐与他喜欢过的物品相似的物品。
• 利用和用户相似的其他用户，给用户推荐哪些和他们兴趣爱好相似的其他用户喜欢的物品。

推荐系统数据分析

1. 推荐物品或内容的元数据，例如关键字，分类标签，基因描述等；
2. 系统用户的基本信息，例如性别，年龄，兴趣标签等；
3. 用户的行为数据，可以转化为对物品或者信息的偏好，分为两类：
   • 显式的用户反馈：用户对物品评分或者评论等。
   • 隐式的用户反馈：使用网站，产生了数据，隐式的反映了用户对物品的喜好。

1.3 推荐系统分类

• 实时性分类
  • 离线推荐
  • 实时推荐
• 推荐是否个性化分类
  • 基于统计的推荐
  • 个性化推荐
• 推荐原则分类
  • 基于相似度推荐
  • 基于知识的推荐
  • 基于模型的推荐
• 数据源分类
  • 基于人口统计学的推荐
  • 基于内容推荐（Content based CB）
    • 主要利用用户评价过的物品内容特征
  • 基于协同过滤推荐（CF）
    • 基于近邻的协同过滤
      • 基于用户（User-CF）
      • 基于物品（Item-CF）
    • 基于模型的协同过滤
      • 奇异值分解（SVD）
      • 潜在语义分析（LSA）
      • 支撑向量机（SVM）
  • 混合推荐

二、推荐系统评测

2.1 评测指标

• 预测准确度
• 信任度
• 用户满意度
• 实时性
• 覆盖率
• 健壮性
• 多样性

2.2 推荐准确度评测

• 评分预测

  一般用均方根误差（RMSE）或**平均绝对误差（MAE）**计算
  $$RMSE=\sqrt{(\frac{{\sum }_{u,i\in T}(r_{ui}-\widehat{r_{ui}}{)}^2}{|T|})}$$

  $$MSE=\frac{{\sum }_{u,i\in T}|r_{ui}-\widehat{r_{ui}}|}{|T|}$$

• Top-N推荐

  网站提供推荐服务时，一般会给用户一个个性化的推荐列表，叫做TOP-N推荐。

  预测准确率一般用精确率和召回率来度量。

2.3 准确率、精确率和召回率