1.a contest between satisfaction and temptation

1.摘要

手机应用推荐有一个不同于传统商品推荐的显著特点：用户会考虑用新的app来取代旧的。于是带来现有app的目前实用价值和备选app的吸引价值的竞争。

2.我的想法

 针对此特点，我可能会想做两种类型的推荐：（1）同一类型的app推荐，如类似的天气预报软件，考虑满意度和吸引度；（2）根据其使用的app分析其特征（性格，职业，爱好等），根据特征推荐app。

 第二种类型可用传统的基于用户的协同过滤算法。第一种可在传统的基于物品的协同过滤算法上改进。

满意度和吸引度对选择的影响衡量问题。

3.具体操作

（1）计算两个app功能的重叠程度

假设功能来自app的描述，用余弦相似度表示。

（2）对一个app的评分

UIR感兴趣程度，ACR吸引度。

（3）下载一个app的概率密度分布函数——贝塔分布

贝塔分布详解：http://www.zhaokv.com/wiki/ai/machine_learning/prml/probability_distribution/binary_variable/beta_distribution

（4）1）针对已有的一个app和推荐的一个app相比的概率

               服从伯努利过程

          2）针对用户所有app和推荐的一个app相比的概率

               将用户已有的每个app与推荐的app的相似度作为权重，累乘作为综合概率。

（5）数据格式为形如的四元组。用对数似然函数求取在数据最大化时AV和TV的值。用最大期望算法对公式进行处理，引入下载和未下载的用户数n_ij和m_ij来去掉目标函数中的u变量。通过求偏导来进行梯度下降。最后综合得出AT模型的评分与成正比

（6）从数据中发现AV和TV。

app的平均评分和app的actual value作图发现其大致成正比；用一个app的下载概率（下载/浏览）和app的tempting value作图发现其也大致成正比。

（7）求解AV/TV的比值。

          1）负比，AV小。类似书籍，属于一次性消费。

          2）0左右。类似说明和指南，确定性消费。

          3）正比，AV大。功能强大型app，难以被取代。

（8）数据预处理。

选取最近25%的记录作为测试集。

（9）评测指标。

使用相对准确率和召回率。经过处理，两者相同，只需计算其中一个。

（10）选取collaborative filtering (CF) and content-based recommendation (CBR). Specifically we use probabilistic matrix factorization (PMF) [22] to realize CF and support vector machine (SVM), implemented by LIBSVM [5] to realize CBR.多个模型进行对比评测。

（11）对测试集的大小，参数的选择，迭代次数等进行评测。

4.不足

（1）忽略了稀疏集的处理。数据集预处理时剔除了稀疏数据。（We remove users who have conducted less than 100 actions and then remove apps that have less than 10 visitors.）

（2）稳定性测试？？