推荐系统实践_项亮（1）好的推荐系统

约定不等于承诺〃 2022-04-15 04:37 231阅读 0赞

**目录**

第1章 好的推荐系统

1.1 什么是推荐系统

1.2 个性化推荐系统的应用

1.2.1 电子商务

1.2.2 电影和视频网站

1.2.3 个性化音乐网络电台

1.2.4 社交网络

1.2.5 个性化阅读

1.2.6 基于位置的服务

1.2.7 个性化邮件

1.2.8 个性化广告

1.3 推荐系统评测

1.3.1 推荐系统实验方法

1.3.2 评测指标

1.3.3 评测维度

## 第1章 好的推荐系统 ##

## 1.1 什么是推荐系统 ##

场景：小便利店，通过经验浏览货架，找到想买的东西

大型超市，通过分类信息，找到想买的东西

淘宝当当，通过搜索引擎，找到想买的东西

为解决信息过载，出现了各种解决方案：

（1）分类目录：比如雅虎。方便用户找到主要分类，但有限。

（2）搜索引擎：比如谷歌。前提：必须要用户明确需求。

（3）推荐系统：不需要用户有明确需求，只需要根据用户历史行为分析给出推荐。

> 推荐系统：用来联系用户和商品，为用户提供感兴趣的商品；为厂商的商品带来关注。  
>                   在用户没有明确需求的情况下，解决信息过载。

长尾理论：80/20，80%的销售额来自20%的热门商品。个性化推荐想去解决这个问题。

## 1.2 个性化推荐系统的应用 ##

### 1.2.1 电子商务 ###

亚马逊：提供2个推荐列表

（1）个性化商品推荐列表

基于物品的推荐算法：推荐和之前喜欢的物品相似的物品

基于facebook上好友喜欢的物品推荐

给出：推荐结果的标题/图/属性、平均分、推荐理由

（2）相关推荐列表

购买过这个商品的用户经常购买的其他商品

浏览过这个商品的用户经常购买的其他商品

### 1.2.2 电影和视频网站 ###

Netflix，基于物品的推荐算法

### 1.2.3 个性化音乐网络电台 ###

pandora：先进行内容标注，再进行基于内容的推荐

Last.fm：没有标注，利用用户行为计算歌曲的相似度。基于协同过滤。

### 1.2.4 社交网络 ###

facebook：用户之间的社交网络关系、用户的偏好信息；基于此，推出推荐API，Instant Personalization即时定制

### 1.2.5 个性化阅读 ###

Google Reader：关注感兴趣的人，看用户分享

Zite：收集用户对文章的反馈，不断更新用户的个性化文章列表

Digg：根据用户历史行为计算用户之间的相似度，给用户推荐和他相似的用户喜欢的文章

### 1.2.6 基于位置的服务 ###

Foursquare：探索行为，给用户推荐好友在附近的行为

思考：为什么外卖网站不做一个：附近用户行为的推荐呢？

### 1.2.7 个性化邮件 ###

将邮件按照历史行为和习惯对邮件重排序，优先处理重要邮件。

### 1.2.8 个性化广告 ###

上下文广告、搜索广告、个性化展示广告

思考：咱们以后广告多了，是不是也要做广告的个性化推荐？

## 1.3 推荐系统评测 ##

> 好的推荐系统应该是令用户、物品提供者、提供推荐系统的网站三方共赢。
> 
> 好的推荐系统不仅仅是准确预测用户的行为，比如，明天太阳从东方升起，这种预测准确是毫无意义的。更应该去扩展用户视野，挖掘用户的潜在兴趣。

### 1.3.1 推荐系统实验方法 ###

离线实验、用户调查、在线实验

### 1.3.2 评测指标 ###

（1）用户满意度

（2）预测准确度

评分预测：RMSE均方根误差、MAE平均绝对误差

TopN推荐：召回率和准确率

（3）覆盖率：解决长尾效应

（4）多样性：解决长尾效应

（5）新颖性：推荐用户以前不知道的

（6）惊喜度：用户不知道，并且很满意

（7）信任度：增加透明度，比如解释推荐原因；社交背书，好友推荐。

（8）实时性

（9）健壮性：能够接受蓄意攻击

比如：购买商品A的用户也经常购买的其他商品。那么，注册多个用户，同时购买商品A和自己的商品。

如果算法在如此攻击前后，推荐基本保持不变，说明健壮性很好。

（10）商业目标

### 1.3.3 评测维度 ###

评测是有一些维度的，不同维度下，同样的算法可能有不同的效果。

用户维度：人口统计学信息、活跃度、是否新用户

物品维度：物品属性、流行度、平均分、是否新物品

时间维度：季节、工作日节假日、白天晚上

推荐系统实践_项亮（1）好的推荐系统

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关项亮《推荐系统实践》——使用LFM隐语义模型进行Top-N推荐

相关推荐系统实践_项亮（2）利用用户行为数据

相关推荐系统实践_项亮（1）好的推荐系统

相关推荐系统实践_项亮（5）利用上下文信息

相关推荐系统实践_项亮（4）利用用户标签数据

相关推荐系统实践_项亮（3）推荐系统冷启动问题

相关推荐系统实践_项亮（8）评分预测问题

相关推荐系统实践_项亮（7）推荐系统实例

相关推荐系统实践_项亮（6）社交网络数据

相关推荐系统实践学习系列（一）好的推荐系统