推荐系统概述

原文地址：https://www.jianshu.com/p/939256b100af

推荐系统需要的三类数据源：物品，用户，事务

物品：关注物品集的属性和特征
用户：关注用户基本属性，年龄，性别等
事务：用户的行为记录，分为显示行为和隐式行为

推荐系统的分类

1. 基于内容 （content-based）

为用户推荐与过去兴趣相似的物品，物品的相似性是基于被比较物品的特征来计算的

2. 协同过滤（CF：collaborative filtering）

找到与用户相似的品味的用户，将相似用户过去喜欢的物品推荐给用户

3. 基于人口统计（demographic）

基于人口统计信息，不同的人群对用不同的推荐

4. 基于知识（knowledge-based）

根据特定领域的知识进行推荐，所谓知识就是关于确定物品哪些特征能满足用户需要和偏好

5. 基于社区

根据用户“近邻”的偏好进行推荐，也叫社会化推荐系统，利用用户社会关系和“近邻”的偏好推荐，结果基于用户“近邻”的评分等

6. 混合推荐系统

不同推荐方法组合，例如协同过滤的冷启动问题可以用基于内容的推荐弥补

推荐系统的评价标准

覆盖率
冷启动
信心度
可信度
新颖度
风险度
惊喜度

推荐解释
如何让推荐系统可信任，可解释，有说服力

   1. 透明度：说明系统如何工作
   2. 可反馈性：允许用户报错
   3. 信任：增加用户对系统信心
   4. 有效性：帮助用户做好的决定
   5. 说服力：说服用户购买或尝试
   6. 高效性：帮用户快速抉择
   7. 满意度：增加用户体验舒适性和趣味