推荐系统学习笔记

骑猪看日落 2023-06-20 12:58 4阅读 0赞

本人工作设计电子商务网站，所以，用到推荐系统是必然的过程，介于本人技术的不成熟，所以学习了推荐系统一书，现在将学习的笔记记录如下，为了让自己可以最是翻看和学习，也是拿出来和一起学习的同学交流和讨论。

首先，推荐系统的概念想必不用我多少了，因为我们日常生活中已经随处可见了，最常见的是你的视频软件里会根据你的观看记录给你推荐其他的影视资源，你的购物订单完成以后，会给你推荐买了同样商品的其他人也买了如下的商品，等等。。

**一、其实总结起来，推荐系统大致分为一下三种：**

1、社会化推荐：什么是社会化推荐呢，就是比较信任你的队友，你的闺蜜，你的同学，你的室友，就是利用你的社会关系给你推荐，举个例子，如果你很无聊准备听歌的时候，你会问室友，最近有什么好听的歌嘛？或者是让她给你推荐一下比较好的歌手。这就是一个最简单的社会化推荐的例子。当然，我们在电商的运营实践当中会利用这一点，比如我们最常用的分享有礼、团购优惠诸如此类

2、基于内容的推荐：我们都有自己喜欢的导演、演员、歌手、，如果我们想看影视作品或者听歌，我们可能会去搜索引擎里输入我们喜欢的那些人的名字，看一下返回的结果中有哪些是自己没看过的或者是自己比较想看的想听的，这种方式 是寻找和自己之前看过的电影在内容上相似的电影。推荐系统可以将上述过程自动化，通 过分析用户曾经看过的电影找到用户喜欢的演员和导演，然后给用户推荐这些演员或者导 演的其他电影。这种推荐方式在推荐系统中称为基于内容的推荐 。这里需要注意的是，这种方法的主导因素是用户，需要对用户的历史行为进行分析（当然是引擎在操作这一步）。

3、基于协同过滤的推荐：如果能 找到和自己历史兴趣相似的一群用户，看看他们最近在看什么电影，那么结果可能比宽 泛的热门排行榜更能符合自己的兴趣。这种方式称为基于协同过滤（collaborative filtering） 的推荐，再细分的话就是这是基于用户的协同过滤，后面还会详细讲解基于用户的协同过滤和基于商品的协同过滤，以及两种算法的实践。

**二、我们在购物的时候是不是经常见到会有推荐的商品列表出现，这一类的推荐一般分为两个方面：**

1、里面包含了购买过这个商品的用户也经常购买的其他商品。

2、浏览过这个商品的用户经常购买的其他商品。

比较一下不难发现共同点，就是那些商品都是和你有相同行为的用户购买过的。你们俩的相同行为就是实现推荐的根本。通过研究有着相同或者相似行为的用户购买的商品的数据，来对这一类的用户做出推荐的方法其实就是基于用户的协同过滤。

**三、上面是对推荐系统的大致了解吗，下面来总结一下推荐系统在我们生活中的应用都有哪些;**

①电子商务，我们购物时最有感触

②电影视频网站（包括最近十分火热的短视频平台）

③个性化的音乐网络电台（重点是个性化）

④个性化阅读（阅读小说或者搜索文档）

⑤基于位置的服务（地图中附近模块的使用（涉及生活的方方面面））

⑥个性化广告（广告的精准投放）

⑦等等，，，

**四、如何评价一个推荐系统的好坏：**

什么才是好的推荐系统？这是推荐系统评测需要解决的首要问题。一个完整的推荐系统一般 存在3个参与方：用户、物品提供者和提供推荐系统的网站。以图书推荐为例， 首先，推荐系统需要满足用户的需求，给用户推荐那些令他们感兴趣的图书。其次，推荐系统要 让各出版社的书都能够被推荐给对其感兴趣的用户，而不是只推荐几个大型出版社的书。最后， 好的推荐系统设计，能够让推荐系统本身收集到高质量的用户反馈，不断完善推荐的质量，增加 用户和网站的交互，提高网站的收入。因此在评测一个推荐算法时，需要同时考虑三方的利益， 一个好的推荐系统是能够令三方共赢的系统。** **

在推荐系统的早期研究中，很多人将好的推荐系统定义为能够作出准确预测的推荐系统。比 如，一个图书推荐系统预测一个用户将来会购买《C++ Primer中文版》这本书，而用户后来确实 购买了，那么这就被看做一次准确的预测。预测准确度是推荐系统领域的重要指标（没有之一）。 这个指标的好处是，它可以比较容易地通过离线方式计算出来，从而方便研究人员快速评价和选 择不同的推荐算法。但是，很多研究表明，准确的预测并不代表好的推荐。①比如说，该用户早 就准备买《C++ Primer中文版》了，无论是否给他推荐，他都准备购买，那么这个推荐结果显然 是不好的，因为它并未使用户购买更多的书，而仅仅是方便用户购买一本他本来就准备买的书。 那么，对于用户来说，他会觉得这个推荐结果很不新颖，不能令他惊喜。同时，对于《C++ Primer 中文版》的出版社来说，这个推荐也没能增加这本书的潜在购买人数。所以，这是一个看上去很 好，但其实却很失败的推荐。举一个更极端的例子，某推测系统预测明天太阳将从东方升起，虽 然预测准确率是100%，却是一种没有意义的预测。

关于衡量推荐系统的指标，在后面的学习中会详细的介绍，未完待续。。。。。。。。。