个性化推荐研究（四）之如何利用用户行为数据

如何利用用户行为数据?

    目前应用最广泛的就是使用基于用户行为数据分析的算法进行推荐。
    基于用户行为数据分析的推荐算法一般被成为协同过滤算法。协同过滤算法有很多种，基于邻域的方法、隐语义模型、基于图的随机游走算法等等，而协同过滤也只是推荐算法中的一类，还有基于人口统计学的推荐、基于内容的推荐等等。
    实际应用中用到最多的还有机器学习，聚类分类等等貌似在实际中都有应用。由于对机器学习一点也不了解，这里也就不提了，以后会对其进行补充。
    本文主要整理的是基于邻域的方法，主要包含两种算法：基于用户的协同过滤(userCF)和基于物品的协同过滤(itemCF)。

基于用户的协同过滤

    定义：根据用户的历史行为数据，给他推荐和他兴趣相似的其他用户喜欢的物品。
    主要实现关键点在于计算用户之间的相似度。然后从中找出与指定用户最相似的一组用户的集合，最后根据这个集合计算出指定用户对其不知道的物品的感兴趣程度，从中选出最高的N个推荐给该用户。

基于物品的协同过滤

    定义：根据用户的历史行为数据，给他推荐和他之前喜欢的物品相似的物品。     主要实现关键点在于计算物品之间的相似度。物品之间的相似度是根据用户历史行为数据计算出来的，与物品本身属性无关。在计算出物品之间的相似度后，从中找出与其物品j最相似的K个其他物品，然后计算用户对物品j的感兴趣程度，最后选出感兴趣程度最大的N个物品推荐给用户。

UserCF与ItemCF的比较

    从推荐结果角度看，UserCF的推荐结果侧重于反映用户兴趣相似的小群体的热点，ItemCF的推荐结果侧重于维系用户的历史兴趣。以这方面来说，UserCF的推荐更加社会化，反映了用户所在的小型群体中物品的热门程度，而ItemCF的推荐更加个性化，反映了用户自己的兴趣传承。
    从推荐理由角度看，UserCF很难提供令用户信服的推荐解释，而ItemCF可以利用用户的历史行为给用户做推荐解释，更令用户信服。
    从性能角度看，UserCF适合用户较少的场合。如果用户很多，计算用户相似度矩阵代价很大。ItemCF适合物品数明显小于用户数的场合，如果物品很多，计算物品相似度矩阵代价很大。
    从技术角度看，UserCF适合物品更新速度快的情况，因为ItemCF需要维持一张物品相关度表，而绝大多数物品相关度表都只能做到一天一更新。
    从冷启动角度看，UserCF对新用户有冷启动问题，但对新物品没有，而ItemCF对新物品有冷启动问题，但对新用户没有。
    从兴趣角度看，UserCF可能会拓展用户的兴趣，其他用户喜欢的物品该用户也可能喜欢，而ItemCF不会，ItemCF根据用户本身的兴趣进行推荐。

个性化推荐的机器学习算法(待研究)

     线性回归（Linear Regression）
     逻辑斯特回归（Logistic Regression）
     弹性网络（Elastic Nets）
     奇异值分解（SVD : Singular Value Decomposition）
     RBM（Restricted Boltzmann Machines）
     马尔科夫链（Markov Chains）
     LDA（Latent Dirichlet Allocation）
     关联规则（Association Rules）
     GBDT（Gradient Boosted Decision Trees）
     随机森林（Random Forests）
     聚类方法，从最简单的k-means到图模型，例如Affinity Propagation
     矩阵分解（Matrix Factorization）。

相关文章

探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探
探索推荐引擎内部的秘密，第 2 部分: 深入推荐引擎相关算法 - 协同过滤
探索推荐引擎内部的秘密，第 3 部分: 深入推荐引擎相关算法 - 聚类