协同过滤-读书笔记（未完成）

推荐系统解决的问题

1. 对企业而言是解决‘增长’问题，推荐系统处于‘增长引擎’的位置
2. 对用户而言是解决信息过载问题，在’信息过载‘的情况下如何获得感兴趣的信息
3. 推荐系统的基础问题就是’人‘和’信息‘的关系。
4. 上述的信息是在电商场景是’商品信息‘，新闻场景是’新闻信息‘，视频推荐场景是’视频信息‘，更准确的说这里的信息指’物品信息‘
5. 上述中的‘人’，在实际过程中‘人’也是各种数据。和人相关的信息可以被称为用户信息
6. 除了用户信息和商品信息，为了使推荐系统具有实时推荐的能力，基于用户所处的时间，地点，状态等一系列环境信息也会对用户选择造成影响。统称这类信息为‘场景信息’或者‘上下文信息’
7. 场景信息和上述两种信息的差距在于场景信息实时动态变化

推荐系统逻辑架构

经典推荐算法和演化路径

1. 协同过滤（CF）算法族:

· ·协同过滤算法从物品相似度和用户相似度出发，衍生出两种模型ItemCF和UserCF模型。为了使协同过滤拥有处理稀疏共现矩阵和更强的泛化能力，发展出了矩阵分解MF模型，并发展出矩阵分解的各个分支模型。

2. 逻辑回归模型族
3. 因子分解机模型族
4. 组合模型族

协同过滤

1. 协同什么？
   协同用户对物品的评价，反馈， 意见等信息。
2. 过滤什么？
   对海量信息进行过滤。
3. CF具体问题?
   预测用户X是否喜欢该商品A？
4. 已知信息储存形式？
   共现矩阵
5. 共现矩阵？

User\Item	item1	item2	item3
user1	+1	-1	0
user2	0	+1	0
user3	-1	？	+1

6. UserCF？（ItemCF同理）
   计算与user兴趣相似的Top(N)用户，根据这些用户计算出对目标商品的预测值。（Top（N）中的N为超参数）
7. 如何计算用户相似度？（P17）
   a. 余弦相似度
   b. 皮尔逊相关系数
   c. 基于皮尔逊的系数引入物品平均分减少评分偏置方法
8. 如何计算排序参考值？
   UserCF：利用用户相似度加权平均对物品A的评分
   ItemCF：利用用户X对相似物品的反馈和物品相似度之间的加权求和
9. UserCF的问题？
   a. 需要维护用户相似度矩阵，矩阵一般以n^2的速度随用户数增长
   b. 用户历史数据往往稀疏，相似用户准确度很低
10. 协同过滤的问题？
    处理稀疏向量的能力弱，头部效应明显（P20）
11. 解决上述问题方法？
    MF-矩阵分解
12. 经典论文
    亚马逊推荐系统：Linden G , Smith B , York J . Amazon. com recommendations: Item-to-item collaborative filtering[J]. IEEE Internet Computing, 2003, 7(1):76-80.