《推荐系统实践》学习笔记（一）

第一章 好的推荐系统

1.信息过载：分类目录--搜索引擎--推荐系统

2.长尾理论：80/20原则

3.社会化推荐（social recommendation）好友给自己推荐物品

   基于内容的推荐（content-based filtering）和以前物品相似的物品

   基于协同过滤的推荐（collabrative filtering）和自己历史兴趣相似的用户的物品

4.依赖用户的行为数据。从实现的角度讲，就是挖掘用户的行为，找到用户个性化的需求。系统一般分为：前台的展示页面，后台的日志系统，以及推荐算法系统。

5.个性化的成功推荐需要两个条件，1. 信息过载 2,用户的需求不够明确。

7.什么样的物品适合推荐：消费代价小，用户热情高，种类丰富，重用率高，反馈容易。

8.个性化推荐系统的应用

• Amazon

             个性化推荐列表1：基于物品的推荐算法（item-based method）:推荐和之前喜欢的物品相似的

             个性化推荐列表2：基于好友的推荐:根据Facebook好友关系，推荐好友喜欢的物品

             相关推荐列表1：购买了也买了    打包销售（cross selling）

             相关推荐列表2：浏览了购买了

• Netflix，YouTube，Hulu

              基于物品的推荐算法

• Pandora：专家标注（音乐的基因）相似度

              Last.fm ：利用用户行为计算相似度

• Facebook

              宝贵的数据;用户之间的社交网络关系，用户的偏好信息

              API（Instant Personalization）推荐好友最喜欢的物品

              EdgeRank：推荐其他用户在社交网站的会话

              给用户推荐好友

• Google Reader：感兴趣的人的分享

              Zite：用户的偏好信息

• 个性化广告--物品就是广告，帮助广告找到可能感兴趣的用户

9.推荐系统的指标：预测准确度，同时扩展用户的视野。准确度，覆盖度，新颖性，惊喜度，信任度，透明度。

10.实验方法：离线实验，用户调查，在线实验(AB测试)。

11.评测指标：

      用户满意度(显式的用户反馈)，

      预测准确度(评分预测(均方根误差RMSE，平均绝对误差MAE)，

      topN推荐(准确率和召回率，会看曲线和趋势)，

      覆盖率(覆盖长尾的能力，通过物品在推荐列表出现的次数的分布来描述长尾能力：信息熵和基尼指数)，

      多样性(用推荐物品的相似性差异性来评价多样性),

      新颖性,（用户没听说）

      惊喜度（推荐了和历史不相似但用户满意的物品），

      信任度(增加透明度,给出解释,建立用户之间的信任系统), 

      实时性,

      强健性(行为注入攻击), 

     商业目标,)，