推荐系统，写的特别好

一、什么是推荐系统？

我们每天都在有意识无意识接触推荐系统，比如：

一种数学定义为：

设C为全体用户集合；
设S为全部商品/推荐内容集合；
设u是评判把si推荐给ci的好坏评判函数；
推荐是对于c∈C，找到s∈S，使得u最大，即

部分场景下是Top N的推荐，即不止推荐一个si，把多个感兴趣的si做排序推荐给用户。
通俗地说，推荐系统需要根据用户的历史行为、社交关系、兴趣点、所处上下文环境等信息去判断用户的当前需求/感兴趣的item。

二、推荐系统结构

三、推荐系统评估标准

1、准确度：

①、打分系统：
设r_ui为用户u对物体i的实际评分，(r_ui ) ̂ 为预测评分，则有如下误差判断标准：

②、Top N推荐
设R(u)为根据训练建立的模型在预测集上的推荐，T(u)为预测集上用户的选择。

准确率vs召回率

2、覆盖率（针对商家）

表示对物品长尾的发掘能力（推荐系统希望消除马太效应），即不仅对热门的物品有推荐，对冷门的物品也要有推荐。

熵：

即卖出的种类越平均，熵H越大。

3、多样性（针对用户）

优秀的推荐系统能保证推荐结果列表中物品的丰富性（两两之间的差异性）。设s(i,j)表示物品i和j之间的相似度，多样性表示如下：

公式1为1-平均相似度，平均相似度越小，差异度越大。

除上述之外，还有其他的评估标准，如：
新颖度：商品给用户的新鲜感；
惊喜度：推荐和用户的历史兴趣不相同，却满意的
信任度：提供可靠的推荐理由
实时性：实时更新程度
…

四、推荐系统类型

推荐系统1：基于内容

通常使用在文本相关产品上进行推荐，基于用户喜欢的物品的属性/内容进行推荐。
对于每个要推荐的内容，我们需要建立一份资料：
比如词k_j在文件d_i中的权重w_ij，常用的方法比如TF-IDF,TF为某个词在该文章中出现的频率，IDF为该次在所有同类文章中出现的频率，则TF越大，IDF越小，权重w就越大。
对用户也需要建立一份资料：
比如说定义一个权重向量(w_c1,…,w_ck),其中w_ci表示第i个词对用户c的重要度。
计算匹配度
比如用余弦距离公式：

推荐系统2：协同过滤

协调过滤是一种基于“近邻”的推荐算法，根据用户在物品上的行为找到物品或者用户的“近邻”。

基于物品的协同过滤(item-based CF)：
对于有相同用户交互的物品，计算物品相似度；
找到物品“近邻”，进行推荐。

如何计算相似度：
定义一个用户序列u_i，i=1…n，一个物品序列p_j，j=1…m，n*m得分矩阵v，每个元素v_ij表示用户i对物品j的打分。
计算物品i与物品j之间的相似度/距离：

sim(1,m)为第一部电影与各部电影的pearson距离。可以看出，3、6两部电影离第一部电影的距离最近。则用户5对第一部电影的评分预测为：

基于用户的协同过滤(user-based CF):
基于用户的共同行为的物品，计算用户相似度；
找到“近邻”，对近邻在新物品的评分（打分）加权推荐。

如何计算相似度：
定义一个用户序列u_i，i=1…n，一个物品序列p_j，j=1…m，n*m得分矩阵v，每个元素v_ij表示用户i对物品j的打分。
计算用户相似度（距离）：

预测得分：

计算第五个用户与各个用户之间的pearson距离，然后加权计算用户5对电影1的预测得分（过程同基于物品的协同过滤）。

相似度/距离定义：

推荐系统3：隐语义模型

---

作者：西海岸看日出
来源：优快云
原文：https://blog.youkuaiyun.com/qq_38236355/article/details/89159564
版权声明：本文为博主原创文章，转载请附上博文链接！