推荐系统简介

推荐系统简介

今日介绍推荐系统，主要内容包括推荐系统的作用，分类，结果评估方式，
以及推荐系统现存的挑战。阅读完本文，你将对推荐系统有一个总体的了解。

推荐算法的作用

- 帮助用户找到想要的商品，挖掘长尾
- 降低信息过载，过滤掉对用户的低价值信息
- 提高站点的点击率和转化率
- 加深对用户的了解，为用户提供定制化服务

推荐算法的分类

1. 基于流行度的推荐算法

    主要是对热点信息或商品进行推荐。
   

   优点：可以解决针对新用户的冷启动问题
   缺点：无法对用户个性化推荐

2. 基于内容的推荐算法

    主要和NLP(自然语言处理相关)，其核心思想是：根据推荐物品或内容的元数
    据，发现物品或者内容相关性，然后基于以往用户的喜好，推荐相似物品给用
    户。
   

   应用场景：一些咨询类的应用上，针对文章、电影、音乐等。
   优点：无冷启动问题，基于物体本身推荐，不存在过度推荐热门问题。
   缺点：推荐的项目(item)可能重复，例如新闻推荐。

3. 基于关联规则的推荐算法

    常见于电子商务中，购买了一些物品的用户更倾向于
    购买另一物品，例如买了手机后可能还会购买手机壳，钢化膜等。
   

   优点：转化率较高
   缺点：存在冷启动和稀疏性问题，存在热门项目被过度推荐问题。

4. 基于协同过滤的推荐算法

    一般应用于有用户评分的系统之中。其基于“物以类聚，人以群分”的假设，
    即喜欢相同物品的用户可能有相同的兴趣。协同过滤被视为利用集体智慧
    的典范，不需要对项目做特殊处理，而是通过用户奖励物品与物品之间的
    联系。协同过滤又可以分为两类。
   

   (1) 基于用户

    根据所有用户对物品或信息偏好(评分)，发现与当前用户偏好相似
    的“邻居”用户群，采用KNN(K近邻)算法，基于这K个邻居的历史偏好，
    为当前用户进行推荐。
   

   (2) 基于物品

    与基于用户的协同过滤算法类似，基于物品的协同过滤根据所有用户
    对物品或者信息的偏好，发现物品之间的相似性，然后根据用户的
    历史偏好信息，将类似的物品推荐给用户。
   

   优点：准确率和覆盖率较高，比基于用户的推荐用用更为广泛。拓展性和算法性能更好。
   缺点：无法个性化推荐

   总体而言，协同过滤算法的优缺点如下：

   优点：
   <1> 不需要对物品或用户严格建模，并且是领域无关的。
   <2> 计算出来的推荐结果是开放的，可共用他人经验，可以很好的支持用户发现潜在的兴趣偏好。
   缺点：
   <1> 基于历史数据推荐，对新用户和物品存在冷启动问题。
   <2> 推荐效果依赖于历史偏好的数量和准确性。
   <3> 用户历史偏好一般用稀疏矩阵存储，可能存在少部分人的错误偏好对推荐准确度产生很大影响。

5. 基于模型的推荐算法

    主要包括：LR、SVM、FM、FFM、W&D、DeepFM等。
    基于模型的推荐算法常使用机器学习算法对目标用户建立推荐模型，
    然后对用户偏好进行预测推荐以及对推荐结果进行打分排序等。
   

   优点：训练完成后，推荐过程比较快且准确
   缺点：训练过程比较长
   适用场景：实时性比较高的业务，如新闻，广告

6. 混合推荐算法

    大型成熟网站的推荐系统都是基于各种推荐算法的优缺点
    与适用场景进行组合来完成“混合算法”推荐。
    例如，不同策略的算法加权；不同场景和阶段使用不同的算法。
   

推荐结果评估方式

推荐结果评估对于线上和线下有所不同，线下常使用AUC，ROC等评估指标，
而线上要经过A/B测试，评价指标也转变为对CTR(点击率)，CVR(转化率)，
停留时间的关注。

推荐系统现存的挑战

(1) 冷启动问题

主要是解决针对新用户、新商品、新系统如何进行预测和推荐的问题。

(2) 缺失值问题

缺失值问题也称为稀疏矩阵问题，现实生活中的交互数据大多是稀疏的，
稀疏数据如果处理不恰当会使得模型存在较大偏差。
缺失值问题也有一些常用的处理方法：

<1> 在矩阵分解中引入正则项来阻止不必要的偏差
<2> 使用一些缺失值填充方法，如零填充或均值填充
<3> 对于混合模型，可使用用户或物品本身特性填充交互信息

(3) 模糊反馈问题

例如用户打分很少误打，但页面点击有较大概率误点，模糊反馈使模型易出现偏差。

(4) 模型评估问题

主要是模型线上和线下有不同评价指标导致。

(5) 结果稳定性问题

同一问题，不同数据集和数据处理方式，不同模型，不同评估指标，
都会有不同的结果表现，导致难以评估谁更好。

(6) 实时推荐

实时推荐要求低计算复杂度，并且推荐系统需要实现增量更新和实时推荐。

(7)引入情景信息

要求根据用户偏好变化和当时所处情景进行推荐，典型的情景感知推荐系统是CARS。

参考文章

https://zhuanlan.zhihu.com/p/114747869

标签：基于,简介,推荐,系统,用户,算法,物品,偏好
来源： https://blog.csdn.net/weixin_43828012/article/details/115033246