推荐系统基础知识

推荐系统基础知识
推荐系统就是联系用户和物品，解决信息过载问题。一个完整的推荐系统一般存在三个参与方：用户、物品提供者、提供推荐系统的网站。
基于三方从不同角度出发，提出不同的指标，这些指标包括准确率、覆盖率、用户满意度、新颖度、惊喜度、信任度、透明度实时性、健壮性等，这些指标的有的可以通过离线实验计算、用户调查问卷、在线实验，一个推荐系统的成功上线需要完成这三个以上步骤。
准确率：预测评分，可以退通过均方根误差（RMSE）、平方绝对误差（MAE）计算；TOPN推荐，可以通过准确率/召回率度量；
覆盖率：描述一个推荐系统对长尾的发掘率，可以通过信息熵和基尼系数；
多样性：可以用推荐列表中物品两两之间的不相似性表示；
推荐方法：基于邻域的算法（可分为基于用户的协同过滤算法UserCF、基于物品的协同过滤算法ItemCF）、LFM（latent factor model）隐语义模型、基于图的模型
UserCF:找到和目标用户兴趣相似的用户集合，再找到这个集合中用户喜欢的，且目标用户没有听说过的物品推荐给目标用户，重点在于相似度的计算可以通过Jaccard公式或者余弦相似度进行计算，为了计算相似度，线=先建立用户和物品之间的倒排表，再建立用户相似度矩阵。得到相似度后会给目标用户推荐和他兴趣最相似的K个用户喜欢的物品.
User-IIF:是UserCF的改进算法，改进之处在对相似度的改进，有些必需品，每个人都会买，但不能表示他俩都对这个给感兴趣，所以会有影响兴趣相似度，这里惩罚了用户u和用户v共同兴趣列表中人们物品对他们相似度的影响
ItemCF：计算物品之间的相似度，根据物品的相似度和用户的历史行为给用户生成推荐列表。
Item-IUF：ItemCF的改进，降低了活跃用户度对物品相似度的影响
ItemCF-Norm:对相似度矩阵做了归一化处理，
基于领域的算法在覆盖
隐语义模型：采取基于用户行为统计的自动聚类（机器学习的方法）
基于图的模型：将用户行为表示为二分图模型，然后度量图中两个顶点之间的相关性，两个顶点之间的相关性可以用两个顶点之间的路径多少，路径长度长短，路径经过顶点出度大小来度量。基于随机游走的PersonalRank算法