个性化推荐综述总结

1、推荐系统目的

推荐系统是通过分析提取出用户的历史偏好数据，并结合用户之间的偏好关系以及项目与项目的相似程度，推测出目标用户可能喜欢的物品并将其推荐给用户。

2、推荐系统解决的问题

信息超载现象。
信息超载（Information overload）指信息接收者或处理者所接收的信息远远超出其信息处理能力。

3、主流的推荐算法

主要分为四类，即基于内容推荐、协同过滤推荐、基于深度学习推荐以及混合推荐。这里放上思维导图分类更为直观。

4、总结各个算法的思想（算法步骤）

1. 基于内容推荐算法
   【算法思想】
   通过收集购买信息，依据其中项目的相关信息选择内容上相似的项目，作为最终结果，其中项目特征信息主要包含其标签、评论、属性等。

【算法步骤】
Step 1: 抽取该用户的一些特征用来表征这个物品。
Step 2: 根据用户的历史行为数据信息学习出用户感兴趣的物品特征，即构造用户偏好文档。
Step 3: 得出的用户偏好文档和待推荐物品的特征（推荐项目文档），确定出关联性最大的一组物品作为推荐列表并将其推荐给用户。

【注】用户偏好文档和推荐项目文档使用关键字表示项目的特征，即TF-IDF技术（NLP）
————————————————————

【TF-IDF基本思想】
关键字k在文档D中出现次数越多，表示k对文档D的重要性越大，则越能通过k来表达文档D的语义。
【定义】
设文档集中所含有的文档数为 N，文档集中含有关键字 ki的文档数为 ni，fij表示关键字 ki在文档 dj中出现的次数，ki在文档 dj中的词频 TFij定义为:

3. 协同过滤推荐算法
   【思想】根据与目标用户的兴趣偏好相似的最近邻的偏好来进行推荐。
   

• 基于内存的协同过滤：通过用户-项目评分信息，针对目标用户估计对某一项目的评分。
• 基于模型的协同过滤，通过目标用户的历史偏好搭建用户模型并据此进行推荐。

2.1 基于用户的协同过滤（基于内存）

【基本思想】
通过海量的用户历史行为数据挖掘出他们对物品的偏好程度，并通过计算找到与目标用户历史兴趣偏好相似的邻居用户组。通过邻居用户组的历史偏好数据，估计目标用户对邻居用户所偏好的物品的评分，进而找出评分最高的物品并将其推荐给目标用户。

【算法步骤】

1. 相似度计算用户之间的相似度，得到相似度矩阵。
2. 通过相应的算法来估算评分。
   

2.2 基于物品的协同过滤推荐算法（基于内存）

【主要思想】
通过所有的用户对物品 评价，发现物品之间的相似度，从而基于用户的历史偏好数据将相类似的物品推荐给目标用户。
【算法步骤】
基于物品的协同过滤方法首先计算各个项目之间的相似程度，根据目标用户评过分的项目，预测对某一特定项目的评分。

2.3 基于模型协同过滤推荐

3. 基于深度学习推荐算法
   【基本思想】
   通过结合底层特征从数据中挖掘特征，形成更密集的高层语义的抽象，从而解决了传统机器学习中手动设计特征的问题。

4. 混合推荐算法
   【基本思想】结合多种算法的优点混合在一起，成为一种新的推荐算法解决存在的问题。

5、常存在的问题及解决方案

1. 冷启动问题
   • 用户冷启动：即如何向新进入系统的用户进行项目的推荐问题，新用户刚进入推荐系统的时候，系统并没有他的历史偏好及行为信息;
   • 物品冷启动：即处理如何将加入推荐系统的新物品推荐给可能对其感兴趣的用户;
   • 系统冷启动：即如何在新建立的网站上开发个性化推荐系统，此时网站上的用户数量和用户偏好都很少，只有部分商品的信息。

【解决方案】
1) 向用户提供如排行榜、热门名单等非个
性化推荐，待收集到一定的用户偏好信息时，再
通过个性化推荐向用户提供更为精确的结果。
2) 利用用户在进入网站时的注册信息来进
行推荐:如用户的性别、年龄、职业等做粗粒度
的个性化推荐;
3) 经用户授权后通过用户的网络社交平台
的账号进行登陆，导入用户在社交工具上的好友
数据，再将用户的好友喜欢的物品推荐给用户;
4) 通过用户偏好物品对用户进行推荐:需
要用户在登录时对一些物品给予意见，并收集用
户对这些物品的反馈，然后向用户推荐和这些物
品相类似的物品;
5) 专家作用:在出现系统冷启动问题时，
可以引入专家的知识，通过一定的方式在短时间
内建立起物品的相关度表

3. 稀疏性问题

   1. 采用降维技术进行矩阵压缩是一种有效
      的解决方案。如采用奇异值分解去除噪音用户和
      项目以降低用户－项目评分矩阵的维数。
   2. 利用潜在语义索引技术将两个用户投影
      到一个低维的空间。
   3. 国内外学者对基于物品的 top- N推荐算
      法进行了改进，在预测时一方面考虑物品的 K个
      近邻，另一方面还考虑了此物品的影响集。另外，
      引入其他数据源，如用户的社交数据，用户之间
      的人际关系、用户所参加的群组等。基于这些社
      交数据进行推荐，在解决数据稀疏性问题上作出
      了一定的贡献。

4. 可扩展性问题

6、加入了基于图的推荐算法

研究表明相比传统的推荐算法，将图结构与推荐算法进行融合在 推荐准确性、多样性和可扩展性等方面有更好的效果。

基于信任的方法，就是将社交网络融入其中，可以缓解冷启动问题。我们身处在基于图的世界，因此，社交网络可以看作是一个图，有基于二部图的推荐算法。之前看的那篇融合信任与随机游走的基于信任游走模型，这篇可以再阅读一下！