1. 好的推荐系统

1.1 什么是推荐系统

推荐系统的任务是联系用户和信息，帮助用户发现对自己有价值的信息，另一方面让信息能够展示在对它感兴趣的用户面前，解决信息过载的问题。

推荐系统能更好地发掘物品的长尾。如果要发掘长尾提高销售额，就必须充分研究用户的兴趣，这是个性化推荐系统主要解决的问题。

1.2 个性化推荐系统的应用

1.2.1 电子商务

推荐界面包含的内容：

推荐结果的标题、缩略图以及其他内容属性：告诉用户给他们推荐的是什么；

推荐结果的评分：反应推荐结果的总体质量；

推荐理由、提供对推荐结果进行反馈的方式。

推荐算法

给用户推荐那些和他们之前喜欢的物品相似的物品；

给他们推荐他们的fb好友在亚马逊上喜欢的物品；

相关列表推荐：当购买一件商品时，商品信息下面展示相关的商品。

1.2.2 电影和视频网站

1.2.3 个性化音乐网络电台

1.2.4 社交网络

1.2.5 个性化阅读

1.2.6 基于位置的服务

1.2.7 个性化邮件

1.2.8 个性化广告

1.3 推荐系统评测

完整的推荐系统一般存在3个参与方：用户、物品提供者、提供推荐系统的网站。

1.3.1 推荐系统实验方法

离线实验、用户调查、在线AB测试

一个新的推荐算法最终上线，需要完成这3个实验。

1.3.2 测评指标

用户满意度、预测准确度（评分预测，TopN推荐）、覆盖率（覆盖率100%表示推荐系统可以将每个物品都推给至少一个用户）、多样性、新颖性、惊喜度、信任度、实时性、健壮性、商业目标。

1.3.3 评测维度（一个算法在什么情况下性能最好）

用户维度、物品维度、时间维度

2. 利用用户行为数据（协同过滤）

2.1 用户行为分析

2.1.1 用户活跃度和物品流行度的分布（长尾分布）

2.2.2 用户活跃度和物品流行度的关系（新用户倾向于浏览热门的东西）

2.2 基于领域的算法

2.2.1 基于用户的协同过滤算法

把和A有相同兴趣的用户喜欢而A没有听说过的物品推荐给A。

步骤：找到和目标用户兴趣相似的用户集合（余弦相似度）；找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

UserCF重要参数K，为每个用户选出K个和他兴趣相似的用户，然后推荐那K个用户感兴趣的物品。不同K值，评测指标性能不同。

用户相似度计算的改进

案例：Digg。用户A顶了某篇文章，在这之前有BC等用户也顶了该篇文章，然后给A推荐BC最近顶的文章。

2.2.2 基于物品的协同过滤算法（ItemCF）

给用户推荐那些和他们之前喜欢的物品相似的物品。相似度的计算：不利用物品的内容属性计算物品之间的相似度，主要通过分析用户的行为记录计算物品之间的相似度。

步骤：计算物品之间的相似度；根据物品相似度和用户的历史行为给用户生成推荐列表。

两个物品产生相似度是因为它们共同被很多用户喜欢，也就是每个用户都可以通过它们的历史兴趣列表给物品贡献相似度。

2.2.3 UserCF和ItemCF的综合比较

UserCF:着重反映和用户兴趣相似的小群体的热点。

eg：digg等新闻类。某个话题的新闻不可能每天都有新的消息，可以给用户推荐其他有相同兴趣的用户在看的新闻。

ItemCF:着重于维系用户的历史兴趣。

eg：图书、电子商务、电影网站，这些网站，用户的兴趣比较持久，个性化推荐的任务是帮助用户发现和他研究领域先关的物品。

2.3 隐语义模型（LFM, latent factor model）

2.3.1 基础算法

核心思想：通过隐含特征（latent factor）联系用户兴趣和物品。

对物品的兴趣进行分类，对于某个用户，先得到他的兴趣分类，然后从分类中挑选他可能喜欢的物品。

该方法需要解决的3个问题：

如何给物品进行分类？采用基于用户行为统计的自动聚类

如何确定用户对哪些物品感兴趣，以及感兴趣的程度？Preference(u,i)=

对于一个给定的类，选择哪些属于这个类的物品推荐给用户？以及如何确定这些物品在一个类中的权重？

2.3.2 基于LFM的实际系统的例子

2.3.3 LFM和基于邻域的方法的比较

2.4 基于图的模型

3. 推荐系统的冷启动问题

3.1 冷启动问题简介

用户冷启动：给新用户做个性化推荐

物品冷启动：将新的物品推荐给用户

系统冷启动：新开发的网站，没有用户以及用户行为，只有一些物品的信息

3.2 利用用户注册信息

3.2 选择合适的物品启动用户的兴趣

新用户第一次访问推荐系统时，不立即给用户展示推荐结果，而是给用户提供一些物品，让用户反馈对物品的兴趣，再根据反馈提供推荐。

如何选择物品？

比较热门，具有代表性和区分性，启动物品集合需要有多样性（如给分类）

3.4 利用物品的内容信息（内容过滤算法）

计算物品内容之间的相似度后再推荐。如果用户的行为强烈受某一内容属性的影响，内容过滤的算法可以在准确率上超过ItemCF。

3.5 发挥专家的作用

从音频分析入手计算歌曲之间的相似度技术门槛很高，Pandora对歌曲额的各个维度进行标注，标注完后，每首歌可以表示为一个400维的向量，然后通过常见的向量相似度算法可以计算出歌曲的相似度。

4. 利用用户标签数据

除了UserCF和ItemCF，第三种重要的方式是通过一些特征联系用户和物品，给用户推荐那些具有用户喜欢的特征的物品。特征具有不用的表现形式，可以表现为物品的属性集合，也可以表现为隐语义向量（可以通过隐语义模型习得），标签就是一种重要的特种表现形式。

4.1 UGC标签系统的代表应用

Delicious、CiteULike、Last.fm、豆瓣、Hulu。

标签的作用：表达、组织、学习、发现、决策

4.2 标签系统中的推荐问题

4.2.1 用户为什么进行标注

社会维度：便于上传者组织自己的信息；便于用户找到信息

功能维度：用户更好组织内容；用于传达某种信息

4.2.2 用户如何打标签

标签流行度k与标签总数n(k)呈现非常典型的长尾分布

4.2.3 用户打什么样的标签

表明物品是什么、表明物品的种类、表明谁拥有物品、表达用户观点、用户相关的标签、用户的任务

4.3 基于标签的推荐系统

用户的每一次打标签行为都用一个三元组（用户、物品、标签）表示。

4.3.1 实验设置

4.3.2 一个简单的算法

统计每个用户做常用的标签

对于每个标签，统计被打过这个标签次数最多的物品

对于每个用户，首先找到他常用的标签，然后找到具有这些标签的最热门的物品推荐给这个用户

再对算法进行测评，召回率、准确率、覆盖率、多样性、平均热门程度

4.3.3 算法的改进

4.3.4 基于图的推荐算法

4.3.5 基于标签的推荐解释

让用户直观上感觉推荐结果有道理是很困难的，而豆瓣将推荐结果的课解释性拆分成了两个部分，首先让用户觉得标签云是有道理的，然后让用户觉得从某个标签中推荐出某本书也是有道理的。

4.4 给用户推荐标签

4.4.1 为什么要给用户推荐标签

方便用户输入、提高标签质量

4.4.2 如何给用户推荐标签

给用户推荐整个系统里最热门的标签、给用户推荐物品i上最热门的标签、给用户推荐他自己经常用的标签、讲前面两种推荐结果线性加权然后生成最终的推荐结果。

4.4.3 实验设置

4.4.4 基于图的标签推荐算法

5. 利用上下文信息

包括推荐系统的时间，地点、心情等。

时间上下文信息

地点上下文信息

6. 利用社交网络数据

7. 推荐系统实例

8. 评分预测问题