社会计算复习 之 REVIEW RECOMMENDER SYSTEMS

什么是Racommender system

A system which could recommand stuff based on others people did

为什么要使用推荐系统

在购物网站上，我们有太多的选择
广告的种类太多
找到最好的网站
推荐影片和书籍

帮助用户选择他们想要的，帮助用户根据goal做正确的决定

推荐的算法

基于特征的推荐算法 Feature Based （content based）

基于一件事物的特点推荐另一件事物，比如说超人1的电源会推荐超人2

喜欢一个导演就会推荐这个导演的作品；喜欢一个演员就会推荐这个演员的作品

推荐可以给予该用户对于一件事物的rate， Recommendation based on the commonalities among
the items that a user has rated before

Feature Based 算法优点

• 不需要复杂的计算就可以离线处理，计算时间少
• 推荐的东西便于解释

比如说Gmail AD他会根据你的Email分析出你喜欢什么东西，从而发送广告给你

Feature Based 算法问题

• Overspecialization
• 仅推荐与评级过的东西相似的东西，比如说超人1那么只会推荐DC的Mavel的电影，然而哈利波特将会无法被推荐
• 特性取决于上下文、和内容的种类
• 没有小组智慧 No Wisdom from Group

协同过滤算法 Collaborative filtering

基于其他用户的评价，或者是基于邻居或相同或相似的人的意见（Neighboor）

它使用统计学的方法，从而做出对于相似用户和产品的预测，统计方法有两种：一种是User to User，一种是item to item

比如说，其他用户买了这本书的同时也购买了另一本书，所以，也向你推荐另一本书

协同过滤算法的好处

• Content is irrelevant, 任何内容无关紧要
• 拥有了群组智慧
• 在商业界和学术界最常用adopted and studied

协同过滤算法问题

• Cold Start Problem，就是必须要有几个rating该算法才可以执行
• Too Expensive，算法比较复杂
• 人类是会变得，有时候他的爱好会产生变化

混合算法 Hybird

就是基于feature base 和 Collaborative filtering

不会的知识点

User to user的算法

• Build Matrix of thing each user bought / viewed / rated
• Compute similarity between user
• Find similar user to you
• Recommand stuff they bought/ view rate that you have not yet.

item to item的算法

根据你喜欢什么推荐相似的东西，因为一本数学书永远都是数学书，但是一个人就一直都会变；所以说item based similarity change less frequently than user based similarity

比user更好的原因是，我们只需要处理几个item就可以了，而如果我们需要处理user的话，就需要处理很多人。

Less storage, Faster computing

---

想要看到更多玮哥的学习笔记、考试复习资料、面试准备资料？想要看到IBM工作时期的技术积累和国外初创公司的经验总结？

image

敬请关注：

玮哥的博客 —— CSDN的传送门

玮哥的博客 —— 的传送门

玮哥的博客 —— 博客园的传送门

玮哥的博客 —— 51Testing的传送门