第8讲 推荐系统

推荐系统

推荐系统简介1推荐算法初步

2推荐算法进阶

3各种推荐算法优缺点及应用场景

4案例演示5目 录CONTENTS

1chapter 推荐算法简介

1chapter 1

chapter

推荐系统无处不在

单击此处编辑母版标题样式

单击此处编辑母版标题样式

猜你喜欢、个性歌单、热点微博，这些都是推荐系统的输出内容。从这些我们就可以总结出，推荐系统到底是做什么的：

1.帮助用户找到想要的商品（新闻/音乐/……），发掘长尾（非流行性需求）

2.降低信息过载

3.提高站点的点击率、转化率

4.加深对用户理解，提供定制化服务

为什么需要推荐系统

单击此处编辑母版标题样式推荐系统结构与评估用户及特征：

性别，年龄，工

作，爱好，婚姻

状况，住处

产品及特征：

功用，价格，

评价，材料，

品牌推荐系统和算法推荐物品反馈交互循环评价指标：

准确性指标

1.准确率P-推荐列表中用户喜欢的物品所占的比

例

2.召回率R-测试集中有多少用户喜欢的物品出现

在推荐列表中

3.F-Score 非准确性指标1.个体多样性-用户的推荐列表列内的所有物品的平均相似度2.新颖性-计算推荐列表中物品的平均流行度3.整体多样性-采用用户推荐列表间的重叠度来定义

4.覆盖率-覆盖率测量的是推荐系统推荐给所有用户的物品数占

总物品数的比例。

1chapter 推荐算法初步

1chapter 2

chapter

单击此处编辑母版标题样式

协同过滤-概念

协同过滤是利用集体智慧的一个典型方法。要理解什么是协同过滤 (Collaborative Filtering, 简称 CF)，首先想一个简单的问题:

如果你喜欢武侠片，现在想看个电影，但你不知道具体看哪部，你会怎么做？

一：问周围的口味风格比较类似朋友，看看最近有什么好看的电影推荐；

二：到专门介绍武侠片的电影网站去查询。

以上就是协同过滤的两种核心思想。 协同过滤算法(Collaborative Filtering, CF)是很常用的一种算法，在很多电商网站上都有用到。CF 算法包括基于用户的CF(User-based CF)和基于物品的CF(Item-based CF)。

找口味比较相似的朋友推荐，这是基于用户CF(User-based CF) ；

到收集武侠片的网站查询，这是基于物品CF(Item-based CF) 。

单击此处编辑母版标题样式1.欧几里得距离

2.皮尔逊相关系数

3.Cosine 相似度（余弦）

4.Tanimoto 系数（谷本）

以上系数越大越相似，需要根据具体数据类型场景具体选用。

单击此处编辑母版标题样式

基于用户的CF 原理如下：

1. 分析各个用户对item 的评价（通过浏览记录、购买记录等）；

2. 依据用户对item 的评价计算得出所有用户之间的相似度；

3. 选出与当前用户最相似的N 个用户；

4. 将这N 个用户评价最高并且当前用户又没有浏览过的item

推荐给当前用户。

单击此处编辑母版标题样式

协同过滤-基于物品

基于用物品的CF 原理如下：

1. 分析各个用户对item 的浏览记录。

2. 依据浏览记录分析得出所有item 之间的相似度；

3. 对于当前用户评价高的item ，找出与之相似度最高的N 个item ；

4. 将这N 个item

推荐给用户。

单击此处编辑母版标题样式

基于内容推荐

Content-based Recommendation: 简称CB

一般包括以下3个步骤：

1.Item Representation：为每个

item抽取出一些特征（也就是

item的content了）来表示此

item；

2.Profile Learning：利用一个用

户过去喜欢（及不喜欢）的

item的特征数据，来学习出此

用户的喜好特征（profile）；

3.Recommendation Generation：

通过比较上一步得到的用户

profile与候选item的特征，为

此用户推荐一组相关性最大的

item。

单击此处编辑母版标题样式1. 用户之间的独立性（User Independence ）：既然每个用户的profile 都是依据他本身对item 的喜好获得的，自然就与他人的行为无关。而CF 刚好相反，CF 需要利用很多其他人的数据。CB 的这种用户独立性带来的一个显著好处是别人不管对

item 如何作弊（比如利用多个账号把某个产品的排名刷上去）都不会影响到自己。

2. 好的可解释性（Transparency ）：如果需要向用户解释为什么推荐了这些产品给他，你只要告诉他这些产品有某某属性，这些属性跟你的品味很匹配等等。

3. 新的item 可以立刻得到推荐（New Item Problem ）：只要一个新item 加进item 库，它就马上可以被推荐，被推荐的机会和老的item 是一致的。而CF 对于新item 就很无奈，只有当此新item 被某些用户喜欢过（或打过分），它才可能被推荐给其他用户。所以，如果一个纯CF 的推荐系统，新加进来的item 就永远不会被推荐 。