推荐算法概述

内容主要是围绕电商中用到的一些推荐算法。

一、推荐系统介绍

1.信息过载

社交网络和大数据时代，这是一张很著名的图，图的标题是互联网上的一分钟，例如在Twitter上一分钟会更新452000条推特，Instagram一分钟会更新46200张照片等。这表面社交媒体上的信息过载现象很严重。

社交网络中信息爆炸会带来的危害（两个纬度）：

• 用户很难找到自己想要看的内容
• 社交网站很难吸引或者留住用户

推荐系统应用而生。

2.推荐系统的发展

• 1992年，Goldberg提出了第一个个性化邮件推荐系统Tapestry，第一次提出了协同过滤的思想，利用用户的标注和行为信息对邮件进行重排序，从而达到过滤邮件的作用。
• 1994年，Resnick等人提出了针对新闻消息的协同过滤推荐系统GroupLens。
• 1996年，在Berkeley的协同过滤专题讨论会上，提出了推荐系统这一个概念。
• 2006年，Netflix的推荐竞赛。
• 2007年，第一届推荐系统大会（RecSys）的举办。
• ...至今，推荐系统被应用于各种领域。

3.推荐系统的应用和价值

推荐系统的应用：

• 音乐、电影的推荐（各大音乐app、电影网站）
• 电子商务中的商品推荐（淘宝、jd等）
• 个性化阅读、新闻消息（今日头条）
• 社交网络好友推荐、朋友圈推荐（微博中的好友推荐关注，特烦这个！！！）
• 基于位置的服务推荐
• ...等等

推荐系统的价值：

• Netflix的2/3电影是因为被推荐而被观看
• Google News的推荐使得被提升了38%的点击率
• Amazon销售中推荐的占比高达35%

4.推荐系统的评价标准

评测标准可用于评价推荐系统各方面的性能，一般有如下评价标准：

• 用户满意度（User Satisfaction），调研或者用户的反馈，如点击，评分等
• 准确性（Accuracy），用到比较多的，Precision、Recall和F-score
• 覆盖率（Coverage），照顾到长尾物品和用户
• 多样性（Diversity），用户的兴趣是广泛的，多样性描述的是推荐列表中物品两两之间的不相似性。
• 新颖性（Novelty），新颖的推荐是指给用户推荐那些他们以前没有听过的物品
• 惊喜性（Serendipity），惊喜度是最近几年推荐系统领域热门的话题，目前没有公认的定义
• 用户信任度（Trust）/可解释性（Explanation）&#