推荐系统实践_项亮（1）好的推荐系统

目录

第1章 好的推荐系统

1.1 什么是推荐系统

1.2 个性化推荐系统的应用

1.2.1 电子商务

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

1.3.1 推荐系统实验方法

1.3.2 评测指标

1.3.3 评测维度

 

第1章 好的推荐系统

1.1 什么是推荐系统

场景：小便利店，通过经验浏览货架，找到想买的东西

          大型超市，通过分类信息，找到想买的东西

          淘宝当当，通过搜索引擎，找到想买的东西

为解决信息过载，出现了各种解决方案：

（1）分类目录：比如雅虎。方便用户找到主要分类，但有限。

（2）搜索引擎：比如谷歌。前提：必须要用户明确需求。

（3）推荐系统：不需要用户有明确需求，只需要根据用户历史行为分析给出推荐。

推荐系统：用来联系用户和商品，为用户提供感兴趣的商品；为厂商的商品带来关注。
                  在用户没有明确需求的情况下，解决信息过载。

长尾理论：80/20，80%的销售额来自20%的热门商品。个性化推荐想去解决这个问题。

 

1.2 个性化推荐系统的应用

1.2.1 电子商务

亚马逊：提供2个推荐列表

（1）个性化商品推荐列表

基于物品的推荐算法：推荐和之前喜欢的物品相似的物品

基于facebook上好友喜欢的物品推荐

给出：推荐结果的标题/图/属性、平均分、推荐理由

（2）相关推荐列表

购买过这个商品的用户经常购买的其他商品

浏览过这个商品的用户经常购买的其他商品

 

1.2.2 电影和视频网站

Netflix，基于物品的推荐算法

1.2.3 个性化音乐网络电台

pandora：先进行内容标注，再进行基于内容的推荐

Last.fm：没有标注，利用用户行为计算歌曲的相似度。基于协同过滤。

1.2.4 社交网络

facebook：用户之间的社交网络关系、用户的偏好信息；基于此，推出推荐API，Instant Personalization即时定制

1.2.5 个性化阅读

Google Reader：关注感兴趣的人，看用户分享

Zite：收集用户对文章的反馈，不断更新用户的个性化文章列表

Digg：根据用户历史行为计算用户之间的相似度，给用户推荐和他相似的用户喜欢的文章

1.2.6 基于位置的服务

Foursquare：探索行为，给用户推荐好友在附近的行为

思考：为什么外卖网站不做一个：附近用户行为的推荐呢？

1.2.7 个性化邮件

将邮件按照历史行为和习惯对邮件重排序，优先处理重要邮件。

1.2.8 个性化广告

上下文广告、搜索广告、个性化展示广告

思考：咱们以后广告多了，是不是也要做广告的个性化推荐？

 

1.3 推荐系统评测

好的推荐系统应该是令用户、物品提供者、提供推荐系统的网站三方共赢。

好的推荐系统不仅仅是准确预测用户的行为，比如，明天太阳从东方升起，这种预测准确是毫无意义的。更应该去扩展用户视野，挖掘用户的潜在兴趣。

 

1.3.1 推荐系统实验方法

离线实验、用户调查、在线实验

 

1.3.2 评测指标

（1）用户满意度

（2）预测准确度

评分预测：RMSE均方根误差、MAE平均绝对误差

TopN推荐：召回率和准确率

（3）覆盖率：解决长尾效应

（4）多样性：解决长尾效应

（5）新颖性：推荐用户以前不知道的

（6）惊喜度：用户不知道，并且很满意

（7）信任度：增加透明度，比如解释推荐原因；社交背书，好友推荐。

（8）实时性

（9）健壮性：能够接受蓄意攻击

比如：购买商品A的用户也经常购买的其他商品。那么，注册多个用户，同时购买商品A和自己的商品。

如果算法在如此攻击前后，推荐基本保持不变，说明健壮性很好。

（10）商业目标

 

1.3.3 评测维度

评测是有一些维度的，不同维度下，同样的算法可能有不同的效果。

用户维度：人口统计学信息、活跃度、是否新用户

物品维度：物品属性、流行度、平均分、是否新物品

时间维度：季节、工作日节假日、白天晚上