推荐算法概述

推荐系统是为了解决信息过载问题，让用户快捷找到自身喜爱的商品，把商品推荐给对其感兴趣的用户。

推荐算法概括起来可以分为5种：

1. 基于内容的推荐：这一类一般依赖于自然语言处理NLP的一些知识，通过挖掘文本的TF-IDF特征向量，来得到用户的偏好，进而做推荐。这类推荐算法可以找到用户独特的小众喜好，而且还有较好的解释性。

2. 协同过滤推荐：协调过滤是推荐算法中目前最主流的种类，花样繁多，在工业界已经
   有了很多广泛的应用。它的优点是不需要太多特定领域的知识，可以通过基于统计的机器学习算法来得到较好的推荐效果。最大的优点是工程上容易实现，可以方便应用到产品中。目前绝大多数实际应用的推荐算法都是协同过滤推荐算法。

3. 混合推荐：这个类似我们机器学习中的集成学习，博才众长，通过多个推荐算法的结合，得到一个更好的推荐算法，起到三个臭皮匠顶一个诸葛亮的作用。比如通过建立多个推荐算法的模型，最后用投票法决定最终的推荐结果。混合推荐理论上不会比单一任何一种推荐算法差，但是使用混合推荐，算法复杂度会有所提高。

4. 基于规则推荐：这类算法常见的比如基于最多用户点击，最多用户浏览等，属于大众型的推荐方法，在目前的大数据时代并不主流。

5. t基于人口统计信息推荐：这一类是最简单的推荐算法了，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后进行推荐，目前在大型系统中已经较少使用。

推荐系统应用一般作为页面的一部分，例如商品推荐、广告推荐、电影推荐、音乐推荐等等。

测评推荐系统的好坏一般从三方面考量。以图书为例：首先对于用户，能为用户推荐自身感兴趣的图书；其次对于商家，能将商家商品全部推荐给感兴趣的用户；最后对于推荐系统本身，能够获得用户反馈，不断完善推荐质量，增加用户和网站的交互。具体的评价指标有：

l 用户满意度

l 预测准确度，主要包含：评分预测、TopN推荐

l 覆盖率：推荐列表中的商品数占总商品数的比例

l 多样性：推荐列表中各个商品之间的距离的均值

l 新颖性：推荐列表中商品热度的均值

l 惊喜度

l 信任度

l 实时性

l 健壮性

l 商业目标

总结：对于离线测评一个推荐系统时，可以考虑在给定覆盖率、多样性、新颖性等指标的情况下，尽量优化预测准确度；同时，考量一个推荐系统的好坏，可以加入不同维度的考量，比如：用户维度、商品维度、时间维度，可能不同算法在不同维度表现不同，从而融合各自优点，取得最好的整体性能。