前言：
算是给自己搞点新的事情去处理吧，输出有助于自己整理思路
越到后面越晕，二刷的时候再整理一下笔记吧，现在估计很乱，和我现在脑子里的思路一样。
1. 入门概念
1.1 推荐系统的目的：
找到user和item之间的联系
1.2 推荐适用场景：
什么时候不适合于做推荐：
- 工具类产品
- 物品过少，联系不会造成太多影响
- 用户留存回访低，这个情况下，推荐也是很难去处理的。
- 当增加的连接数主要靠增加的活跃用户和增加物品数做贡献，那么就不适合增加推荐系统，而当连接可以自发生长，那么就比较适合推荐系统加速这个过程。（我理解就是，如果客户留存不强，或者对陈旧物品完全没想法，那么整体下来，推荐就是比较难做的，推荐能做的，就是增加用户看到的物品的可能性）
这里我就衍生出2个问题：
- 广告类的推荐是不是都会存在留存过低的问题？
- 内容推荐/电商类的推荐才是真的可以累积经验的？
1.3 推荐系统预测问题模式：
- 评分预测：
- 预测目标：预测分数与实际分数差距越来越小（量化标准之一：均方根误差）
- 难点：数据质量，评分分布
- 行为预测
- 优势：数据量比用户明确的评分反馈大
- 预测行为方式：预测行为发生概率（点击率）or 预测物品相对排序（rank算法）。
感觉是，行为预测解决数据不均衡问题，解决大头部分，然后，评分预测解决最终的点击率提升
1.4 几个常见问题
- 冷启动问题：新用户/不活跃用户/新物品/展示次数较少的物品，解决方案都是加数据，从已有数据中学习
- 探索利用问题：已有兴趣点与新兴趣点需要做到平衡。大部分推荐感兴趣，小部分试探新的兴趣。
- 安全问题
1.5 推荐系统的几个关键元素
- ui 和ue
- 数据
- 领域知识
- 算法
2. 内容推荐
1. 用户画像
- 整体用户画像的适用阶段：匹配评分与召回。
- 构建方向：可以自己从业务逻辑构建，也可以直接适用机器学习方法（潜语意模型，矩阵分解得到的隐因子，embedding向量）
- 评价指标：排序好坏/召回策略
2. 文本建立到用户画像
（感觉就是word2vec方法？）
2.1 结构化文本/构建特征方式
- 关键词提取：TF-IDF和TextRank
- 实体识别：基于词典的方法结合CRF模型
- 内容分类：将文本按照分类体系分类
- 文本：从文本直接划分多个类簇
- 主题模型：从文本中提取主题向量，在预测各个主题的概率分布。
- 嵌入：embedding方法。
TF-IDF方法
- 在一篇文字中反复出现的词更重要
- 在所有文本中都频繁出现的词更不重要
TextRank方法
出现共现关系的会互相支持对方成为关键词。
内容分类方法
短文本分类方法：SVM
现有开源方法：facebook的FastText
实体识别：
序列标注问题（隐马尔可夫模型或者条件随机场）
词典法：先分毫词典，然后使用 trie-tree数据结构存储，然后匹配。
工业级别工具：spaCy，NLTK
聚类
算法：LDA主题模型算法（达到软聚类效果，一个文本属于多个类簇），需要计算k个主题之间两两相似程度，筛选较低的k值。
开源工具：Gensim，PLDA
词嵌入
词向量的用途：（word2vec）
- 词之间相似度描述，扩充结构化标签
- 累加得到文本稠密向量
- 用于聚类，可以得到更好的语意聚类效果
2.2 标签选择
前面的方法为特征构建，然后这一步是建立标准做特征筛选。
常用方法：
卡方检验（词和类别的关系，如果有关系，则为关键词）
信息增益（和决策树里面的信息增益感觉差不多，就是看增加一个特征之后，信息增加多少，从而判断最重要的特征）
卡方针对每一个行为单独筛选一套标签，然后信息增益是针对全局做统一筛选。
2.3 内容推荐框架
主要步骤与核心点：
- 数据源头扩充
- 数据清洗与信息提取：内容挖掘与用户分析（抓住主题，直接到嵌入分析），产出为结构化内容库，内容分析模型（分类器模型，主题模型，实体识别模型，嵌入模型）
- 内容推荐算法：Lucene中的BM25F算法
- 算法
3. 近邻推荐
3.1 协同过滤
3.1.1 基于用户的协同过滤
核心：用户物品关系矩阵
计算方式：通过用户物品向量计算用户相似度。
输出：
问题：
- 矩阵稀疏处理方式：大部分元素由于是0，所以可以用CSR或者COO存储。
- 相似度计算：随机抽出10维计算。现有技巧：DIMSUM 算法，或者把循环使用向量来计算。
- 用户量大：原始矩阵map成用户对，值为两个用户对同一个物品的评分积。
- 遍历用户喜欢物品列表
- 获取相似用户列表
- 拼接为：（相似用户id，物品id，1），value（相似度）
（相似用户id，物品id，0），value（喜爱程度*相似度） - 结果： （相似用户id，物品id，0）/（相似用户id，物品id，1）
- 优化：
- 对热门物品增加惩罚。
- 增加喜欢程度的时间衰减。
3.1.2 基于物品的协同过滤
- 物品之间相似度优化：
- 物品中心化：感觉就是归一化，去掉边缘值。value-avg（value）
- 用户中心化：用户维度，计算均值，然后把他打过的分都减去均值 value-avg（value）
- 计算推荐结果：
topk问题：
目标：计算用户u对物品i的分数
- 遍历u打过分的m个物品，计算这些物品与i的相似度
- 相似度*用户评分，处以相似度的和，就得到加权平均
直接推荐相似物品 - 直接推荐和物品i相似度较高的物品
slope one 算法
遗留问题：
slope one怎么做到在线更新
3.1.3 相似度：
数据分类：
- 欧式距离（计算绝对差异）
- 余弦相似度（计算方向差异）
- 皮尔逊相似度：实际上也是余弦相似度，不过弦对向量做了中心化。向量各自减去均值，再计算相似度。
-
jaccard 相似度（只适合bool类型）：交集元素个数在并集中所占比例。适用于隐式反馈。
遗留问题：
社交网络会适合那一类方法：
image.png
4. 矩阵分解
4.1 netflix prize中推荐算法
近邻模型问题：
- 物品之间相关性。
- 矩阵稀疏导致计算结果不稳定。
矩阵分解：技术的svd算法（奇异值分解）
机器学习框架核心（损失函数/优化算法）
增加偏置信息：（比svd要多学习2个参数）
增加历史行为：
在学习参数上增加：x（隐式反馈的物品向量），y（用户属性向量）
时间因素：
- 评分按照时间加权
- 对评分时间划分区间，不同时间区间分别学习出隐因子向量
- 对特殊的期间，如节日，周末等训练对应的隐因子
4.2 矩阵分解优化方法
评价标准：
- 偏差：偏差大，欠拟合
- 方差：方差大，过拟合
交替最小二乘法
优点：
隐式反馈
one-class：从解决评分预测问题专向解决预测行为
算法改进成：加权交替最小二乘：
（行为的次数是对行为的置信度反应）
问题：真谛没有反馈的缺失值怎么处理
- 隐式反馈只有正类别确定，负类别是假设的。所以很可能导致正负类样本很不均衡。
解决方案：根据物品的热门程度做负采样。
算法汇总：
- topk：facebook有开源的faiss 和NMSLIB
- 先推荐产品簇，然后再增加排序统计算法作为最终推荐结果。
4.3 排序算法：贝叶斯个性化排序（BPR模型）
目标：能够较好的为用户排列出更好的物品相对顺序
计算相对顺序。
评价标准：auc
目标函数：目标函数的构造和auc是搭配的。
训练方法：结果重复抽样的梯度下降
5. 模型融合：
- 挖掘
- 召回
- 排序
经典融合模型：gbdt+lr
梯度下降优化算法：google13年发布的FTRL
特征组合：
因子分解机：用于模型融合，对召回结果重新排序。
FFM：（需要对样本做归一化）
wide and deep模型：
6.mab：
bandit算法：
把推荐具体物品，上升到选择策略。
bandit算法：计算选择会带来多少遗憾，遗憾越少越好。bandit累积遗憾增长慢，就是好算法
常用算法：
汤普森采样算法：每一类基于不同的贝塔分布，取随机数，取最大。
ucb算法：同样的以平均收益为基准，对于选择次数不足的给予照顾，选择倾向是哪些确定收益较好的算法：
贪婪算法：感觉就是，给一个随机数e（0-1），以1-e的概率选择平均收益最大类。
同bandit算法解决冷启动问题：
结合上下文的bandit算法：
LinUCB算法
随着m增加，置信上边界减少
高级版ucb：
有部分特征对应的参数是在左右候选之间共享的，就是无论哪个被选中，都会去更新这部分参数。
bandit算法与协同过滤结合
COFIBA算法：
内容相关。
针对第i个用户，每次推荐时做如下操作：
更新类簇的办法：
ee问题：
- 真的在探索的时候不能推荐质量过低的问题
- 需要有精心的产品设计
7. 深度学习在推荐系统中的应用：
深度学习中可以帮助推荐系统的部分：
- embedding：矩阵分解的隐因子，word2vec（目的是得到词的嵌入向量）
- predicting
各种2vector-》 AntoEncoder：学习不同的嵌入向量
youtube 视频推荐
rnn构建个性化音乐
结合上时间属性之后的优化
其他应用算法：
rank算法：
- 热门排行榜
- 针对老用户也推荐热门产品
- 整理兜底方案
时间因素
好评率预估公式：威尔逊区间
加权采样算法：
有限数据集
- 等概率采样
-
利用指数分布
image.png
流采样
-
蓄水池采样：
image.png
推荐候选的去重策略：
去重：
- 内容源去重
- 不重复的给用户推荐
simhash算法
最开始主要是搜索引擎公司使用。
不太重要的词，设置权重为1或者-1
（每个词hash成一个整数，有jenkins算法）
BloomFilter 算法 布隆过滤器
防止重复内容。（针对内容id的去重复）
工程部分：
只想说，前面的理论是入门的个鬼，完全跪了。
看工程部分能不能不那么令人头秃
常见架构：
1. 典型信息流架构：
Activity Stream的feed架构
2. netflix个性化推荐架构：
在线任务：防止重复的过滤，简单算法逻辑，模型预测阶段，商业目标相关的过滤与调权，场景有关的逻辑，互动性强的算法。
离线任务：模型训练与推荐结果计算。
近线任务：数据来源是实时的，进入在线数据库，等到有发生请求再提供服务。（流计算，storm，spark streaning，flink，manhattan）
3. 总览推荐框架和搜索，广告的关系：
搜索：解决为精准快速的展示结果，主要目标为降低延迟与提高相关性
推荐：时间杀手，给用户展示多样性，
广告：给信息找人，带有纯粹的商业目标。
架构抽象
- 过滤候选：推荐系统中的召回则为过滤候选。
- 排序候选：排序上的差异主要是目标不一样。（排序模型：BM25，Learn to rank模型）
- 个性化输出：
推荐系统与搜索引擎是存在互助的。搜索累积客户兴趣，推荐满足长期兴趣。
常见模块：
1. 数据采集
数据采集：
- 报表统计
- 数据分析：找原因，数据质量，为什么好或者坏。知道商业推广，开发方式。
- 机器学习：
日志的数据模型：
- 数据属性
- 物品数据
- 事件
- 关系数据
收集哪些数据：
- 埋点
- 业务数据库（用户，事件，事件发生时间，从什么事件而来，事件发生时用户属性，事件发生时物品属性）
用什么工具：
质量检测：
- 完整性
- 一致性
- 正确
- 及时
2.实时推荐：
需要满足：数据实时进来，实时计算，实时更新
实时流数据：kafka，storm，flink
效率提升：
- 剪枝：利用hoeffding不等式确认确认不用更新物品对相似度。（发现一个物品对更新次数达到最少更新次数，或者是相似度小于设定阈值，就直接判定不相似）
- 加窗：滑动窗口（近k次会话，近k次行为记录）
- 采样：短时间大量的数据
- 缓存：使用redis或者memcached
3. 数据驱动与实验平台：
重叠实验平台：（划分流量的方法，基于流量来做切分）
bandit算法同时可以做测试，选择不同的参数组合，策略，动态实时的跟进用户表现给出选择策略。
3. 推荐系统服务化：
效果保证：
1. 指标：
现在有多好：
- 评分准确度：rmse
- 排序
- 分类准确率
- 社交关系数量/用户停留时长
- 新颖性
推荐系统是否健康，能好多久
- 个性化：取一天的日志，计算用户推荐列表的平均相似度。
- 基尼系数：推荐次数越不平均，基尼系数就趋近于1
- 多样性。
2. 攻击方式：
防护方式：
3. 开源工具与框架：
内容分析（主题模型/词嵌入/文本分类）
协同过滤与矩阵分解
模型融合
产品部分：
扫一下就好
答题还是跪了：