推荐问题产生
信息过载
推荐问题解决方法
- 基于内容
- 基于协同过滤
- 基于邻域的方法
- 基于用户
- 基于物品
- 基于模型的方法
- 隐语义模型等
推荐系统原理
推荐系统原理
推荐数据源
- 要推荐物品或内容的元数据，例如关键字，基因描述等
- 系统用户的基本信息，例如性别，年龄等
- 用户对物品或者信息的偏好，根据应用本身的不同，可能包括用户对物品的评分，用户查看物品的记录，用户的购买记录等。其实这些用户的偏好信息可以分为两类：
- 显式的用户反馈：这类是用户在网站上自然浏览或者使用网站以外，显式的提供反馈信息，例如用户对物品的评分，或者对物品的评论。
- 隐式的用户反馈：这类是用户在使用网站是产生的数据，隐式的反应了用户对物品的喜好，例如用户购买了某物品，用户查看了某物品的信息等等。
基于内容的推荐
基于内容的推荐原理
这种基于内容的推荐机制的好处在于它能很好的建模用户的口味，能提供更加精确的推荐。但它也存在以下几个问题：
- 需要对物品进行分析和建模，推荐的质量依赖于对物品模型的完整和全面程度。
- 物品相似度的分析仅仅依赖于物品本身的特征，这里没有考虑人对物品的态度。
- 因为需要基于用户以往的喜好历史做出推荐，所以对于新用户有“冷启动”的问题。
协同过滤推荐
基于用户的协同过滤
基于用户的协同过滤算法原理
假设用户 A 喜欢物品 A，物品 C，用户 B 喜欢物品 B，用户 C 喜欢物品 A ，物品 C 和物品 D；从这些用户的历史喜好信息中，我们可以发现用户 A 和用户 C 的口味和偏好是比较类似的，同时用户 C 还喜欢物品 D，那么我们可以推断用户 A 可能也喜欢物品 D，因此可以将物品 D 推荐给用户 A。
基于物品的协同过滤
基于物品的协同过滤算法原理
假设用户 A 喜欢物品 A 和物品 C，用户 B 喜欢物品 A，物品 B 和物品 C，用户 C 喜欢物品 A，从这些用户的历史喜好可以分析出物品 A 和物品 C 时比较类似的，喜欢物品 A 的人都喜欢物品 C，基于这个数据可以推断用户 C 很有可能也喜欢物品 C，所以系统会将物品 C 推荐给用户 C。
基于模型的协同过滤
基于模型的协同过滤推荐就是基于样本的用户喜好信息，训练一个推荐模型，然后根据实时的用户喜好的信息进行预测，计算推荐。
小结
基于协同过滤的推荐机制是现今应用最为广泛的推荐机制，它有以下几个显著的优点：
- 它不需要对物品或者用户进行严格的建模，而且不要求物品的描述是机器可理解的，所以这种方法也是领域无关的。
- 这种方法计算出来的推荐是开放的，可以共用他人的经验，很好的支持用户发现潜在的兴趣偏好。
而它也存在以下几个问题：
- 方法的核心是基于历史数据，所以对新物品和新用户都有“冷启动”的问题。
- 推荐的效果依赖于用户历史偏好数据的多少和准确性。
- 在大部分的实现中，用户历史偏好是用稀疏矩阵进行存储的，而稀疏矩阵上的计算有些明显的问题，包括可能少部分人的错误偏好会对推荐的准确度有很大的影响等等。
- 对于一些特殊品味的用户不能给予很好的推荐。
- 由于以历史数据为基础，抓取和建模用户的偏好后，很难修改或者根据用户的使用演变，从而导致这个方法不够灵活。
推荐系统实践
推荐流程图
基本推荐算法
参考文献
http://blog.163.com/lnhenrylee@126/blog/static/2414832520123269713813/
