推荐系统实践_应用及评测

一.典型应用场景分析

1.电商

    电子商务网站个性化推荐电子商务网站是个性化推荐系统的一大应用领域。著名的电子商务网站亚马逊是个性化推荐，称为“推荐系统之王”，用户侧看到的包括如下部分：1.推荐结果的标题、缩略图以及其他内容属性 告诉用户给他们推荐的是什么；2.推荐结果的平均分，平均分反应了推荐结果的总体质量，也代表了大部分用户对这本书；3.推荐理由及反馈方式，反馈方式包括（Add to Cart（加入到购物车）、Add to Wish List（加入到心愿单）、Rate this item（给书 3打分）、 I own it（我已经有这本书了）和Not interested（对这本书没兴趣))；推荐理由，直接说明了，为什么给你推荐这个。亚马逊的前科学家Greg Linden在他的博客里曾经说过，在他离开亚马逊的时候，亚马逊至少有20%（之后的一篇博文则变更为35%）的销售来自于推荐算法。

2.电影和视频

    在电影和视频网站中，个性化推荐系统也是一种重要的应用。它能够帮助用户在浩瀚的视频库中找到令他们感兴趣的视频。在该领域成功使用推荐系统的一家公司就是Netflix，它和亚马逊是推荐系统领域最具代表性的两家公司。Netflix非常重视个性化推荐技术，并且在2006年起开始举办著名的Netflix Prize推荐系统比赛，大大提高了推荐系统在业界和学术界的影响力。到Netflix的推荐结果展示页面包含了以下几个部分：1.电影的标题和海报；2.用户反馈模块——包括Play（播放）、评分和Not Interested（不感兴趣）3种；3.推荐理由——因为用户曾经喜欢过别的电影。YouTube，Hulu，在展示推荐结果时也提供了视频标题、缩略图、视频的平均分、推荐理由和用户反馈模块。这块后续可以分析抖音，快手这些推荐再补充一些。

3.个性化音乐网络电台

    Pandora，Last.fm，豆瓣电台，它们都不允许用户点歌，而是给用户几种反馈方式——喜欢、不喜欢和跳过，Pandora的算法主要基于内容，后对歌曲的不同特性（比如旋律、节奏、编曲和歌词等）进行标注，这些标注被称为音乐的基因，这些标注被称为音乐的基因。

4.社交网络

    可以Facebook，Twitter为例子，主要是以下方面的推荐：1.利用用户的社交网络信息对用户进行个性化的物品推荐；2.信息流的会话推荐；3.给用户推荐好友。设想下如果哪天微信朋友圈不再是按照发布时间来推送，而是所有人可见，按照关系热度和兴趣热度推荐

5.资讯阅读

    介绍了Digg，Google Reader，Zite等新闻阅读平台的推荐部分，其实可以分析今日头条，各大浏览主页阅读为例来分析

6.地理位置

    可以思考，现在美团，饿了么的推荐部分

7.个性化邮件推荐

    Tapestry个性化邮件推荐系统，感觉应用不点不是很多，可以朝着现在的各大应用的弹窗推荐去分析与思考

8.个性化广告

    雅虎公司发表了大量个性化广告方面的论文，Facebook，根据它拥有大量的用户个人资料，可以很容易地获取用户的兴趣。目前个性化广告技术主要包括以下：1.上下文广告 通过分析用户正在浏览的网页内容，投放和网页内容相关的广告。代表系统是谷歌的Adsense；2.搜索广告 通过分析用户在当前会话中的搜索记录，判断用户的搜索目的，投放和用户目的相关的广告；3.个性化展示广告 我们经常在很多网站看到大量展示广告（就是那些大的横幅图片），它们是根据用户的兴趣，对不同用户投放不同的展示广告。雅虎是这方面研究的代表。

二.评测指标

1.用户满意度

    就是用户对推荐结果的满意程度，该指标没办法离线或者在线计算；老式的用户调查问卷的形式成本太大，一般通过其他业务指标的变化来体现，例如点击率是否上升，成交率是否上升。

2.预测准确度

    预测准确度度量一个推荐系统或者推荐算法预测用户行为的能力，是最重要的推荐系统离线评测指标。在计算该指标时需要有一个离线的数据集，该数据集包含用户的历史行为记录。然后，将该数据集通过时间分成训练集和测试集。最后，通过在训练集上建立用户的行为和兴趣模型预测用户在测试集上的行为，并计算预测行为和测试集上实际行为的重合度作为预测准确度。2.1如果网站有对物品打分功能的，评分预测的预测准确度一般通过均方根误差（RMSE）和平均绝对误差（MAE）计算；2.2 TopN推荐，TopN推荐的预测准确率一般通过准确率（precision）/召回率（recall）度量。为了全面评测TopN推荐的准确率和召回率，一般会选取不同的推荐列表长度N，计算出一组准确率/召回率，然后画出准确率/召回率曲线（precision/recall curve）。

3.覆盖率

    覆盖率（coverage）描述一个推荐系统对物品长尾的发掘能力，覆盖率有不同的定义方法，最简单的定义为推荐系统能够推荐出来的物品占总物品集合的比例，用户集合为U，长度为N的物品列表R(u)，覆盖率计算公式如下：

信息熵的公式，p(i)是物品i的流行度除以所有物品流行度之和

是基尼系数（Gini Index），ij是按照物品流行度p()从小到大排序的物品列表中第j个物品

如果一个系统会增大热门物品和非热门物品的流行度差距，让热门的物品更加热门，不热门的物品更加不热门，那么这个系统就有马太效应。比如，首页的热门排行榜就有马太效应。

4.多样性

    与相似性互斥，一般表现在类别多样性，主题多样性等方面，si j ( , ) [0,1]  定义了物品i和j之间的相似度，那么用户u的推荐列表R(u)的多样性定义如下：

推荐系统的整体多样性可以定义为所有用户推荐列表多样性的平均值：

5.新颖性，惊喜度，信任度

    比较玄乎的指标，不太好计算，一般是牺牲准确和用户体验为付出；信任度靠业务指标体现

6.实时性

    新闻，物品与当前人们关心热点事件相关，或者季节气候相关

资料来源：

《推荐系统实践》

本文及相关系列文章，为本人近期学习的相关总结，为学习所用，如有涉及到任何权益相关问题，请联系QQ：936754331