12、推荐系统：原理、方法与评估

推荐系统：原理、方法与评估

1. 推荐系统概述

在搜索系统的讨论中，我们常关注短期的临时信息需求，例如图书馆或网络搜索，用户从静态信息源中主动获取相关信息。然而，大多数用户也有长期信息需求，如从动态信息源中过滤或推荐文档（或其他类型的项目），此时系统会主动向用户推送信息，像新闻过滤器、电子邮件过滤器、电影/书籍推荐器或文献推荐器等。虽然推荐系统（强调向用户提供有用项目）和过滤系统（强调排除无用项目）有所区别，但使用的技术相似，为方便起见，我们将“推荐”和“过滤”互换使用。

与临时搜索不同，过滤过程中我们能从用户那里收集大量反馈信息，这对于学习反馈以提高过滤性能至关重要。在过滤时，文档从动态信息源传递，系统必须在文档“到达”时立即做出关于其与用户相关性的二元决策，这比搜索更具挑战性，因为搜索只需提供排名列表，让用户灵活设置截止点。不过，由于能收集反馈信息，我们可以逐渐了解用户喜好，从而更易区分相关和不相关文档。

过滤的核心问题是：用户 u 是否会喜欢项目 x？回答这个问题的方式决定了我们采用以下两种策略中的哪一种：
- 基于内容的过滤 ：查看用户 u 喜欢的内容，并对项目 x 进行特征描述。
- 协同过滤 ：查看喜欢项目 x 的用户，并对用户 u 进行特征描述。

基于内容的过滤是学习用户喜欢的内容类型，然后将当前文章的内容与我们认为能很好描述用户喜好的“内容原型”进行匹配。协同过滤则是查看其他相似用户喜欢的内容，并假设与你相似的其他用户喜欢某个项目，你可能也会喜欢。需要注意的是，如果能获取用户对项目的评分，协同过滤可用于推荐任何项目；而基于内容的过滤仅适用于我们知道如