35、推荐系统中的混合推荐与排序算法详解

推荐系统中的混合推荐与排序算法详解

1. 混合推荐器的实现

在构建推荐系统时，一个关键问题是确定合适的样本大小，以确保其能代表整个数据集。尤其是在训练四个权重时，这就如同机器学习中常见的困境。根据经验，几百个数据点能取得不错的效果，但这其实数量并不多。不过，从相关图表的精度来看，算法表现良好。

线性回归是一项值得深入研究的技术。它并不复杂，一旦掌握，便能在许多场景中发挥作用，是推荐系统工具包中不可或缺的一部分。

以下是关于推荐系统优化的几个要点总结：
- 推荐系统可通过整合多个算法的输出来实现大幅优化。
- 混合推荐器能结合不同推荐器的优势，从而获得更好的推荐结果。
- 并非所有复杂的算法在现实世界中都实用，像曾获得Netflix大奖的算法，就因过于复杂而难以投入实际生产。
- 特征加权线性堆叠（FWLS）算法能让系统以函数加权的方式使用特征推荐器，具有很强的实用性。

FWLS算法的评估图表如下：
| Top N | Precision |
| — | — |
| 2 | 0.06 |
| 4 | 0.05 |
| 6 | 0.04 |
| 8 | 0.03 |
| 10 | 0.02 |
| 12 | 0.01 |
| 14 | 0.00 |
| 16 | 0.00 |

2. 排序与排序学习

以往我们常将推荐问题视为评分预测问题，但有时将其转化为排序问题会更有意义。我们可以把用户认为最相关的目录项排在首位，其次是次相关的，以此类推。这样定义相关性就无需再进行评分预测，只需知道用