day1-推荐算法概念及入门

一、推荐系统简介

        个性化推荐（推荐系统）经历了多年的发展，已经成为互联网产品的标配，也是AI成功落地的分支之一，在电商、资讯、音乐、短视频等热门应用中，推荐系统都是核心组件之一。

1、产生背景：信息过载及用户需求不明确

2、产生历史：1）分类目录（1990s）：覆盖少量的热门网站，如hao123，Yahoo

                   2）搜索引擎（2000s）：通过搜索词明确需求，如Google，Baidu

                   3）推荐系统（2010s）：不需要用户提供明确的需求，通过分析用户的历史行为给用户的兴趣进行建模，从而主动给用户推荐能够满足他们兴趣和需求的信息，如抖音短视频

推荐系统和搜索引擎的区别	推荐	搜索
行为方式	被动	主动
意图	模糊	明确
个性化	强	弱
流量分布	长尾效应	马太效应
目标	持续服务	快速满足
评估指标	复杂	简明

二、什么是推荐系统

        没有明确需求的用户访问了我们的服务，且服务的物品对用户构成了信息过载，系统通过一定的规则对物品进行排序，并将排在前面的物品展示给用户，这样的系统就是推荐系统

1、推荐系统的作用

1）高效连接用户和物品，发现长尾物品

2）留住用户和内容生产者，实现商业目标

2、推荐系统的工作原理

1）社会化推荐：向朋友资讯，社会化推荐，让好友给自己推荐物品

2）基于内容的推荐：打开搜索引擎，输入自己喜欢的演员的名字，然后看看返回结果中还有什么电影是自己没看过的

3）基于流行度的推荐：查看票房排行榜

4）基于协同过滤的推荐：找到和自己历史兴趣相似的用户，看看他们最近在看什么电影

3、推荐系统和Web项目的区别

通过信息过滤实现目标的提升 VS  稳定的信息流通系统

推荐系统：追求指标增长，留存率/阅读时间/GMV/视频网站VV（Video View）

Web项目：处理复杂逻辑，处理高并发，实现高可用，为用户提供稳定服务，构建一个稳定的信息流通的服务

不确定思维  VS  确定

推荐系统：结果是概率问题

Web项目：对结果有确定预期

三、推荐系统设计

1、推荐系统要素

a、UI和UE（前端界面）

b、数据（Lambda架构）

c、业务知识

d、算法

2、推荐系统架构

Lambda系统架构提供了一个结合实时数据和Hadoop预先计算的数据环境和混合平台，提供一个实时的数据视图。

2.1、分层架构

        批处理层

•                 数据不可变，可进行任务计算，可水平扩展
•                 高延迟，几分钟-几小时
•                 日志收集 Flume
•                 分布式存储 Hadoop hdfs
•                 分布式计算 Hadoop MapReduce & Spark
•                 视图存储数据库（nosql，Redis/memcache，MySQL）

        实时处理层

•                 流式处理，持续计算
•                 存储和分箱某个窗口期内的数据
•                 最终正确性（Eventual Accuracy）
•                 实时数据收集 Flume & Kafka
•                 实时数据分析 Spark streaming/storm/flink

        服务层

•                 支持随机读
•                 需要在非常短的时间内返回结果
•                 读取批处理层和实时处理层结果并对其归并

2.2、算法架构

1）召回阶段（海选），召回决定了最终推荐结果的天花板，常用算法：

1. 协同过滤（基于用户，基于物品）
2. 基于内容（根据用户行为总结出用户偏好，根据偏好通过文本挖掘技术找到内容上相似的物品）
3. 基于隐语义

2）排序阶段

        召回决定了最终推荐结果的天花板，排序逼近这个极限，决定了最终的推荐结果

        CTR预估（点击率预估，使用LR算法），估计用户是否会点击某个商品，需要用户的点击数据

3）策略调整

四、推荐算法及模型构建

1、推荐模型构建流程

数据获取及清洗 ——> 特征工程 ——> 机器学习算法 ——> 预测输出

数据来源

        显性数据：Rating打分；Comments评价

        隐性数据：历史订单、加购物车、页面浏览、点击、搜索记录等

特征工程

        从数据中筛选特征

        1）一个给定的商品，可能被拥有类似品味或需求的用户购买

        2）使用用户行为数据描述商品

        用数据表示特征

        1）将所有用户行为合并在一起，形成一个user-item矩阵

机器学习算法--经典的推荐算法：协同过滤推荐算法（Collaborative Filtering）

1）算法思想：物以类聚人以群分

2）基本的协同过滤推荐算法基于以下假设：

a、“跟你喜好相似的人喜欢的东西你也很有可能喜欢”：基于用户的协同过滤推荐（User-based）

b、“跟你喜欢的东西相似的东西你也很有可能喜欢”：基于物品的协同过滤推荐（Item-based）

实现协同过推荐分以下几个步骤：

1. 找出最相似的人或物品：通过计算两两的相似度来进行排序，即可找出TOP-N相似的人或物品
2. 根据相似的人或物品产生推荐结果：利用TOP-N结果生成初始推荐结果，然后过滤掉用户已经有过记录的物品或明确表示不感兴趣的物品

基于user-based的基本计算过程示例如下：（打钩表示用户对物品有购买记录）

item-based的计算过程基本和user-based类同。

 3）相似度计算方法

a、欧式距离，是一个欧式空间下度量距离的方法。两个物体，都在同一个空间下表示为两个点，假如记为p、q，分别都是n个坐标，那么欧式距离就是衡量这两个点之间的距离。欧式距离不适用于布尔向量之间。

 欧式距离的值是一个非负数，最大值正无穷，而相似度的结果希望是[-1,1]之间，一般可以使用如下公式进行转化：

b、余弦相似度

• 度量的是两个向量之间的夹角，用夹角的余弦值来度量相似的情况
• 两个向量的夹角为0时，余弦值为1；当夹角为90度时余弦值为0，为180度时余弦值为-1
• 余弦相似度在度量文本相似度、用户相似度、物品相似度的时候较为常用
• 余弦相似度的特点，与向量长度无关，余弦相似度计算要对向量长度归一化，两个向量只要方向一致，无论程度强弱，都可以视为“相似”

c、皮尔逊相关系数

• 实际上也是一种余弦相似度，不过先对向量做了中心化，向量a，b各自减去向量的均值后，再计算余弦相似度
• 皮尔逊相似度计算结果在-1,1之间，-1表示负相关，1表示正相关
• 度量两个变量是不是同增同减
• 皮尔逊相关系数度量的是两个变量的变化趋势是否一致，不适合计算布尔值向量之间的相似度

d、杰卡德相似度

• 两个集合的交集元素个数在并集中所占的比例，非常适用于布尔向量
• 分子是两个布尔向量做点积计算，得到的就是交集元素的个数
• 分母是两个布尔向量做或运算，再求元素和

4）基于模型的方法

 a、算法思想

• 通过机器学习算法，在数据中找出模式，并将用户与物品间的互动方式模式化
• 基于模型的协同过滤方式是构建协同过滤更高级的算法

b、近邻模型的问题

• 物品之间存在相关性，信息量并不随着向量维度增加而线性增加
• 矩阵元素稀疏，计算结果不稳定，增减一个向量维度，导致近邻结果差异很大的情况存在

c、算法分类

• 基于图的模型

        基于邻域的模型看做基于图的模型的简单形式 

        原理

       i）将用户的行为数据表示为二分图

       ii）基于二分图为用户进行推荐

       iii）根据两个顶点之间的路径数、路径长度和经过的顶点数来评价两个顶点的相关性

• 基于矩阵分解的方法

        原理

        i）根据用户与物品的潜在表现，我们就可以预测用户对未评分的物品的喜爱程度

        ii）把原来的大矩阵，近似分解成两个小矩阵的乘积，在实际推荐计算时不再使用大矩阵，而是使用分解得到的两个小矩阵

        iii）用户-物品评分矩阵A是M*N维，即一共有M个用户，N个物品，我们选一个很小的数K（K<

        iiii）通过计算得到两个矩阵U、V，U是M*K的矩阵，V是K*N

        基于矩阵分解的方法

• ALS交替最小二乘法

        i）ALS-WR（加权正则化交替最小二乘法）：alternating-least-squares with weighted-λ-regularization

        ii）将用户（user）对商品（item）的评分矩阵分解为两个矩阵：一个是用户对商品隐含特征的偏好矩阵，另一个是商品所包含的隐含特征的矩阵。在这个矩阵分解的过程中，评分缺失项得到了填充，也就是说我们可以基于这个填充的评分来给用户做商品推荐