推荐算法学习小结

推荐系统知识点

• 推荐系统架构上，占比分别为：数据 60%，产品30%，算法10%。
• 推荐算法主要包括：基于人口统计学的推荐，基于内容的推荐，协同过滤三种。
• 冷启动分为用户冷启动和物品冷启动。
• 用户冷启动通常是指用户没有在产品上留下任何历史数据，无法获取其喜好。常用的解决方法是根据用户的背景资料，或引导性让用户进行选择，从而暂时让用户适应热启动。在线推荐系统可以做到让用户产生了行为后立马更新推荐列表。
• 物品冷启动也类似，对于新物品来说没有用户历史数据，这事会采用物品属性之间的相关程度来解决。

---

基于人口学的推荐

如上图所示，该推荐方法根据用户的基本信息发现用户之间的相关程度，然后把相似用户喜爱的其他物品推荐给当前用户。

方法：

常常使用用户年龄，性别，兴趣等信息计算用户间的相似度。

优势：

1. 不需要历史数据，没有冷启动问题。
2. 不依赖于物品的属性，因此其他领域的问题都可无缝接入。

劣势：

算法比较粗糙，效果很难令人满意，只适合简单的推荐

---

基于内容的推荐

与上文提到的方法类似，只不过用到的不是用户之间的相似度而是物品间的相似度。

方法：

对物品属性进行建模，如果两个物品拥有比较相似属性，那么某用户喜欢物品a的情况下很大可能喜欢物品b。

优势：

对用户兴趣可以很好的建模，并通过对物品属性维度的增加，获得更好的推荐精度。

劣势：

1. 物品的属性有限，很难有效的得到更多数据。
2. 物品相似度的衡量标准只考虑到了物品本身，有一定的片面性。
3. 需要用户的物品的历史数据，有冷启动的问题。

---

协同过滤

核心：用户交互数据建模
基于协同过滤的推荐可以分为三个子类：

1. 基于用户的推荐（User-based Recommendation）
2. 基于项目的推荐（Item-based Recommendation）
3. 基于模型的推荐（Model-based Recommendation）

基于用户的协同过滤推荐

基本假设：喜欢类似物品的用户可能拥有相同的口味或偏好。

方法：

根据所有用户的偏好信息，根据k近邻等算法构建相似用户群，根据这群用户的历史信息进行推荐。

与基于人口统计学方法的异同：

都是计算用户相似度进行推荐。不同的是，人口学方法是根据用户的特征信息进行计算，而协同过滤方法是根据用户的行为特征划分相似用户族群。

基于项目的协同过滤推荐

与基于用户的协同过滤方法类似，基于项目的方法能够从项目历史信息中发掘出具有相似性的物品，从而将类似信息的物品推荐给用户。

基于模型的协同过滤

根据用户样本的喜好信息，通过机器学习方法训练出推荐模型，根据实时的用户喜好信息进行推荐。

主流方法：

• 关联算法：Apriori，FP Tree和PrefixSpan
• 聚类算法：K-Means，BIRCH，DBSCAN和谱聚类
• 分类算法：逻辑回归、朴素贝叶斯等。
• 回归算法：线性回归，决策树和支持向量机回归。
• 矩阵分解：SVD的一些变种：FunkSVD，BiasSVD和SVD++等。
• 图模型：SimRank，PageRank等。
• 神经网络：限制玻尔兹曼机(RBM)，深度学习方法等。
• 隐语义模型：基于NLP的LDA等方法。
• 图神经网络

协同过滤小结

优点：

1. 不需要对物品或者用户进行严格的建模，而且不要求物品的描述是机器可理解的，所以这种方法也是领域无关的。
2. 这种方法计算出来的推荐是开放的，可以共用他人的经验，很好的支持用户发现潜在的兴趣偏好。

缺点：

1. 方法的核心是基于历史数据，所以对新物品和新用户都有“冷启动”的问题。
2. 推荐的效果依赖于用户历史偏好数据的多少和准确性。
3. 在大部分的实现中，用户历史偏好是用稀疏矩阵进行存储的，而稀疏矩阵上的计算有些明显的问题，包括可能少部分人的错误偏好会对推荐的准确度有很大的影响等等。
4. 对于一些特殊品味的用户不能给予很好的推荐。
5. 由于以历史数据为基础，抓取和建模用户的偏好后，很难修改或者根据用户的使用演变，从而导致这个方法不够灵活。

---

参考资料

[1] 常用的推荐算法小结
[2] 协同过滤推荐算法总结