经典推荐算法研究综述-系列1

在推荐系统中，典型的推荐问题主要有两种：评分预测和Top-N推荐 评分预测一直是推荐系统研究的热点，是指根据用户对项目的历史评分，学习用户的兴趣模型，预测用户对未评分项目的打分；而 Top-N推荐通常更符合实际的应用需求，是指提供用户可能喜欢的前N个项目的有序列表。
基于以上推荐问题，学术界和工业界提出了很多推荐理论和技术。经典的推荐算法主要分为三类：基于内容的推荐算法、协同过滤推荐算法和混合推荐算法。
基于内容的推荐算法充分利用用户的个人资料和项目的特征来生成推荐项，向目标用户推荐与其过去喜欢的内容特征相似的项目[36]。比如，用户经常阅读包含“推荐”、“协同过滤”和“偏好”关键词的文章，基于内容的推荐系统就会推荐与推荐系统有关的文章。
基于内容推荐算法的步骤主要有三步：第一步：项目表示。提取项目内容特征来表示项目；第二步：学习用户偏好模型。利用用户过去喜欢(及不喜欢）的项目特征数据，学习用户的偏好模型；第三步：产生推荐列表。通过比较用户偏好模型与候选项目的特征，为用户推荐一组相似度最大的项目。具体过程如图2所示。基于内容推荐的关键就是计算项目内容特征向量之间的相似度，相似度计算的主要通过向量的余弦相似度来表示。
基于内容的推荐又可以分为基于案例的推理技术和基于属性的技术。基于案例的推理技术会推荐与用户之前喜欢的项目相关度最高的项目，而基于属性的技术是推荐与用户个人资料属性匹配的项目。基于内容的推荐系统的主要优点是用户独立性、可解释性，以及可解决项目冷启动问题。然而，随着个人隐私问题越来越受到互联网用户的关注，基于内容的推荐方法收集用户档案变得越来越困难。
UserCF是推荐系统中最古老的算法，它的诞生标志着推荐系统的诞生。ItemCF是目前业界应用最多的算法.相似度的计算通常有三种方法：Pearson相关系数、Jaccard相似系数和余弦相似度[39]。而调整余弦相似度是目前效果最好，也是最流行的相似度计算方法。
目前，很多推荐系统中都综合集成了各种的推荐方法和技术，虽然能提升推荐效果，但仍然面临着很多挑战，其中，冷启动问题、数据稀疏问题和用户兴趣漂移问题是推荐系统面临的三大难题。冷启动问题是指针对新用户、新项目或新系统没有历史评分数据的推荐问题；数据稀疏问题是指在海量的用户和项目信息中评价数据集的稀疏问题；用户兴趣漂移问题是指用户的兴趣随着时间、地点甚至是人物的变化而变化，如何建模用户的兴趣问题也是推荐系统面临的一大难题。