常见推荐算法学习

常见的推荐算法包括以下：

1. 基于流行度的推荐算法（按热门推荐）

2. 协同过滤算法

     基于用户的协同过滤算法（推荐和你类似的人喜欢的商品）
   
     基于商品的协同过滤算法（推荐喜欢这个商品的人也喜欢的商品）
   

3. 基于内容的过滤算法（词权、word2vec、聚类）

4. 基于模型的推荐算法（多种机器学习算法）

5. 基于矩阵分解的推荐算法（LFM隐语义模型）

6. 混合算法（结合多种推荐算法）

各类推荐系统：https://blog.csdn.net/u014765410/article/details/83691763

目前考虑推荐算法的主要是基于公司的数据，公司的数据：游戏简介、玩家的信息、玩家操作信息等，其实基于此，可将本次推荐算法归类为基于内容（商品）的推荐算法

1.item-based CF算法

item-based CF算法是目前腾讯公司用户推荐的算法，item-based CF算法使用余弦相似性度量来计算一对商品之间的相似度，然后通过使用简单的加权平均值来预测目标用户对目标商品的评分。

与item-based CF比较相似的算法还有一个是user-based cf，这两者的区别在于前者是计算商品的相似度，后者是计算用户的相似度；

item-based CF是基于所有用户历史对商品的评分计算商品的相似度，把用户喜欢商品相类似的用户推荐给用户，如：商品a与商品b十分相似，因为喜欢a的用户也喜欢c，而用户user1喜欢a，则可以把c推荐给用户user1.

user-based CF是对所有用户计算相似度，如果用户A喜欢物品a，用户B喜欢物品a、b、c，用户C喜欢a和c，那么认为用户A与用户B和C相似，因为他们都喜欢a，而喜欢a的用户同时也喜欢c，所以把c推荐给用户A。

至于为什么不采用user-based CF呢？在本项目中是针对用户的召回，而采用用户的相似性可能存在的问题是：与用户最相似的用户可能没有相关的游戏记录，即：存在用户只玩1款游戏，而与最相似的用户数量可能很大，但是基于游戏用户的特性，每个玩家一般不会同时玩超过5款游戏，且由于玩家的流失比例的问题，可能采用这种方式对用户的召回可能存在问题。

item-based CF则是游戏相关的。而item-based CF在进行商品相似度计算时，是基于所有用户对商品的评分（偏好），而我们在这里采用游戏本身的属性计算游戏之间的相似度，而且因为我们的数据量比较少，采用用户评分的方式，可能会导致最终计算结果发现所有游戏都具有一定的相似度，差异化并不明显，用户量少数据少，就可能存在每个游戏都有用户喜欢，游戏之间都有一定数量的共同用户，

注意事项：

在选择相似性度量时，可根据以下几点进行选择：

• 当您的数据受用户偏好/用户的不同评分尺度影响时，请使用皮尔逊相似度

• 如果数据稀疏，则使用余弦（许多额定值未定义）

• 如果您的数据不稀疏并且属性值的大小很重要，请使用欧几里得（Euclidean）。

• 建议使用调整后的余弦（Adjusted Cosine Similarity）进行基于商品的方法来调整用户偏好。

相关好文：

详细介绍了协同过滤算法，利于理解不同协同过滤算法：https://blog.csdn.net/huagong_adu/article/details/7362908

腾讯实施精准推荐ppt：http://lamda.nju.edu.cn/conf/icml14w/Tencent.pdf

协同过滤算法的详解，描述了协同过滤算法的各种相似度计算方程和应用场景：http://blog.jobbole.com/102819/

基于协同过滤的电影推荐算法，采用了不同的相似度计算方法（knn、svd矩阵分解、皮尔僧关联度）：https://blog.csdn.net/tonydz0523/article/details/84872476

详细介绍基于用户的推荐算法的实现步骤：https://blog.csdn.net/tonydz0523/article/details/84872476

详细介绍基于内容的协同过滤的步骤，每一个步骤十分详细，有利于理解和实现协同过滤：https://blog.csdn.net/HeyShHeyou/article/details/83660945

learning to rank，应用与排序场景下，可应用与协同过滤中的排序中，后续需认真研读：https://blog.csdn.net/huagong_adu/article/details/40710305

learning to rank，应用与排序场景下，可应用与协同过滤中的排序中，后续需认真研读：https://www.cda.cn/uploadfile/image/20151220/20151220115436_46293.pdf

课程相关：https://blog.csdn.net/weixin_41362649/article/details/89055808（注意研读文末的链接，经典算法文章）

腾讯实时推荐的论文（item-based CF）：http://net.pku.edu.cn/~cuibin/Papers/2015SIGMOD-tencentRec.pdf

采用tensorflow实现协同过滤：https://blog.csdn.net/sinat_38682860/article/details/80486992

item协同过滤，有相关实现方法：https://cloud.tencent.com/developer/article/1095876

两种协同过滤实现对比：https://blog.csdn.net/gamer_gyt/article/details/51346159

加入用户活跃度的item—cf的实现https://blog.csdn.net/ls317842927/article/details/79072662

2.隐语义模型：
2.1LFM模型

LFM隐语义模型的核心思想是通过隐含特征(latent factor)联系用户兴趣和物品，采取基于用户行为统计的自动聚类。

隐含语义分析技术的分类来自对用户行为的统计，代表了用户对物品分类的看法。隐含语义分析技术和ItemCF在物品分类方面的思想类似，如果两个物品被很多用户同时喜欢，那么这两个物品就很有可能属于同一个类。

隐含语义分析技术给出的每个分类都不是同一个维度的，它是基于用户的共同兴趣计算出来的，如果用户的共同兴趣是某一个维度，那么LFM给出的类也是相同的维度。

LFM通过如下公式计算用户u对物品i的兴趣：

重点参考文章，包含详细的实现方式：https://blog.csdn.net/wxn704414736/article/details/80414815

简介：https://blog.csdn.net/tao_wei162/article/details/84828909

实现模型：https://blog.csdn.net/fjssharpsword/article/details/78015956

2.2knn模型

要评价一个未知的东西U，只需找k个与U相似的已知的东西，并通过k个已知的，对U进行评价。假如要预测用户1对一部电影M的评分，根据kNN的思想，我们可以先找出k个与用户1相似的，并且对M进行过评分的用户，然后再用这k个用户的评分预测用户1对M的评分。又或者先找出k个与M相似的，并且用户1评价过的电影，然后再用这k部电影的评分预测用户1对M的评分。在这个例子中，找相似用户的方法叫做user-based kNN，找相似物品的方法叫做item-based kNN。这两种方法的思想和实现都大同小异，因此下文只讨论item-based kNN，并且将其简称为kNN。

实现步骤：https://blog.csdn.net/shenbo2030/article/details/18007397

3.word2vec

其基本思想是 通过训练将每个词映射成 K 维实数向量（K 一般为模型中的超参数），通过词之间的距离（比如 cosine 相似度、欧氏距离等）来判断它们之间的语义相似度.其采用一个 三层的神经网络 ，输入层-隐层-输出层。有个核心的技术是 根据词频用Huffman编码 ，使得所有词频相似的词隐藏层激活的内容基本一致，出现频率越高的词语，他们激活的隐藏层数目越少，这样有效的降低了计算的复杂度