《推荐系统》-- 基本概念

实战推荐（开发维护电子商务网站的推荐系统）几个月之后，感觉到达一个瓶颈。

从实战角度来讲，对于一个中型的电子商务网站（比如千万PV），独立构建一个推荐系统，完成基础的推荐功能，比如：ViewView(看过还看过)、ViewWant（看过还加车）、WantWant（加车还加车）、CollectCollect（收藏还收藏）之类的基于协同过滤的推荐；Similar（猜您喜欢）之类的基于内容的推荐，从数据的收集、抽取、计算、分析，已经很熟悉。

但是对推荐的理论性认识，推荐策略及其适用场景，推荐算法，推荐效果评估等的认识，有待进一步提高。

值此阶段，看一本书，一本推荐的入门书：《Recommender System An Introduction》，中文名就叫《推荐系统》，几个奥地利人写的，百度的蒋凡翻译的。

看这本书之际，把学习内容记录一下，也写一些心得，达到加深记忆和理解的目的。

相关书评：

http://book.douban.com/review/5874982/

引言

《推荐系统》这本书重点讨论的是个性化推荐。提供个性化推荐系统要求系统知道每个用户的信息。推荐系统必须开发并维护一个用户模型（user model）或用户记录（user profile）保存用户的偏好。

用户模型对每个推荐系统都很重要，如何获取并利用这个信息取决于特定的推荐技术 。用户的偏好可以通过监测用户行为隐式地获取，也可以通过询问访问者显示地获取。

生成个性化推荐列表时，该利用什么样额外的信息？最著名的方法就是考虑其他用户构成的大规模群体的行为、意见和爱好。系统经常称之为基于群体或协同的方法。

协同过滤推荐

这些系统的基本思想是，如果用户在过去有相同的偏好（比如浏览或买过相同的书），那么他们在未来也会有相似的偏好，比如：User1、User2相似，User1购买了Book1，User2还不知道Book1，则可以向User2推荐Book1。

由于选择可能感兴趣的书涉及从大量集合中过滤出最优希望的书，而且用户是在隐式地与其他人相互协作，因此这种技术也被称为协同过滤（CF，Collaborative Filtering）。

常见问题如下：

1）如何发现与我们要推荐的用户有着相似偏好的用户？

2）如何衡量相似度？

3）如何处理还没有购买经历的新用户？

4）如果只有很少的评分该怎么办？

5）除了利用相似的用户之外，还有哪些技术可以用来预测某个用户是否喜欢其物品？

纯粹的协同过滤方法不会利用或要求任何有关物品本身的知识，比如卖书系统的推荐，不需要知道书的体裁、内容或作者。这种策略显而易见的优势是系统不需要获取并维护这些数据。

基于内容的推荐

基于内容推荐的核心是能够得到物品的描述（不管是人工生成还是自动抽取的）和这些特征的重要目录。

与物品的描述类似，用户记录也需要自动抽取或“学习”，方法是分析用户的行为和反馈，或者直接询问用户的兴趣和偏好。

常见问题：

1）系统如何自动获取并持续改进用户记录？

2）如何决定哪个物品匹配或者至少能接近、符合用户的兴趣？

3）什么技术能自动抽取或学习物品的描述，从而减少人工标注？

基于内容的推荐有两大优点：

首先，不需要大规模用户就可以达到适度的推荐精准度；

其次，一旦得到物品的属性就能立刻推荐新物品。

基于知识的推荐

如果把注意力投向其他应用领域，比如消费类电子产品，就会涉及大量的单次购买者。这意味着我们可能无法依赖购买记录，而这可是协同过滤和基于内容过滤方法的前提条件。

即便如此，我们还是能够获取到更为精细和结构化的内容，包括专业性的优质特征。

比如对于购买数码相机，一般用户每隔几年才会买一部新相机，所以推荐系统不可能构建用户记录或推荐其他人喜欢的相机，这将导致只推荐畅销机型。

此时，系统需要利用额外的因果知识生成推荐。在这种基于知识的方法中，推荐系统通常会用到有关当前用户和有效物品的额外信息（这些信息一般都是人工提供的）。

在许多基于知识的推荐系统中，用户需求必须通过交互引导得出。真正用心设计的交互式方法应该像平常对话一样，在个性化的一问一答中，系统能够摸索出用户的真正喜好。

总体来说，基于知识的推荐系统要解决的问题如下：

1）哪种领域知识能表示成知识库？

2）什么机制可根据用户的特点来选择和排名物品？

3）如何在没有购买记录的领域获取用户信息？如何处理用户直接给出的偏好信息？

4）哪种交互方式能够用于交互式推荐系统？

5）设计对话时，要考虑哪些个性化因素才能确保准确获得用户偏好信息？

评估推荐系统

推荐系统领域研究的主要推动力是提高推荐质量。随之而来的问题就是，我们如何实际衡量推荐系统所给出建议的质量？我们应该选择哪些评估方法？

通过回答如下问题，可以得到解答：

1）哪些研究设计适用于评估推荐系统？

2）如何利用历史数据实验评估推荐系统？

3）什么衡量标准适合不同的评估目标？

4）现有评估技术的局限是什么？尤其是在推荐系统的会话性或商业价值方面。

小结

本章是推荐系统相关的的一些基本概念，在以后的章节中会逐渐深入学习每部分的内容。

关于推荐系统，要能回答以下问题：

1）推荐系统的商业价值是什么呢？

2）它能帮助提高销售额或将很多访问者转化为购买者吗？

3）不同推荐算法在效果上有差别吗？在哪种情况下应该使用哪种技术？