推荐算法综述（五）

除了我们已经介绍的一些比较传统的推荐系统（例如流行度、协同过滤、基于内容的过滤、混合方法），目前还有许多的其他方法也可以用于增强推荐系统，包括：

• 深度学习
• 社会化推荐
• 学习排序
• 多臂Bandit（探索/利用）
• 张量因子分解和因子分解（情境感知的推荐）

这些更先进的和非传统的方法有利于将推荐系统的性能推高到一个新的水平，但实际上这些算法也存在不足，不太易于理解，而且在推荐插件中并没有很好地被支持。在实际应用中，相比一些更传统的方法而言，用户还需要考量执行更新的方法所带来的性能提升是否值得算法所花费的开销。根据我们的经验，基本的传统算法还将在实际系统中应用很久，并还将驱动一些伟大的产品的诞生。

在这个综述的系列文章中，我们想向读者介绍一些常见的推荐算法，包括基于用户的协同过滤算法、基于item的协同过滤算法、基于内容的过滤算法和混合方法。在这里，我们通过举一个简单的例子，提供了一个综合的阐述，当有相同的输入数据时，这四种不同的算法将为相同的用户产生如何不同的推荐结果（图1）。在算法被应用到大的、真实的数据中时，这种差异会一直存在，所以在决定要使用哪种算法时需要考虑它们的优点和缺点，并且在评价它们的时候，还要考虑它们执行的好坏程度。

图1：四种推荐系统算法被应用到相同的数据集时所产生的不同的推荐结果。在左边，我们以矩阵的形式给出了用户对于几个item的偏好，以及要推荐的item的标题列表。在中间，我们给出了四种不同的算法为第一个用户（即用户偏好矩阵中的第一行）所产生的推荐结果。按照显示的相似度度量，它们在相似度上有不同的定义。在右边，我们看到由每个推荐算法推荐的item，从上到下按照四种算法排序。

在实际应用中，如果你利用协同过滤算法作为你的推荐模型，一般不会出什么问题。协同过滤容易比其他算法产生更好的结果，但是它不能很好地处理新用户和新item的冷启动问题，如果要处理这些问题，基于内容的推荐算法是一个很好的备选。如果你有时间，那么可以将这些方法进行组合，这样你就可以同时利用协同过滤算法和基于内容的推荐算法的优点。即使需要考察更为先进的推荐算法，在此之前，先好好考虑一下这些基本的算法也不失为一个好主意。

最后，需要紧紧牢记的是，推荐模型仅仅是推荐系统五个部件中的其中一个。付出努力将推荐模型正确建立起来是非常重要的，但是对于其他的所有部件，如数据收集和处理、后处理、在线模块和用户界面，做出正确的选择同样重要。正如我们一遍又一遍所强调的，该推荐算法仅仅是推荐系统中的一部分，你的决策需要考虑整个产品。

本文是一篇翻译稿，读者也可以参考英文原文。