推荐算法（一）

1. 推荐算法

推荐系统(Recommendation System, RS)，简单来说就是根据用户的日常行为，自动预测用户的喜好，为用户提供更多完善的服务。推荐按系统被广泛应用于电商购物推荐，电影推荐，音乐推荐，阅读浏览推荐。。。。。它的应用几乎无处不在。

那么推荐系统的目的是什么呢？

• 帮助用户找到想要的商品（新闻/音乐/……），发掘长尾。

套用在互联网领域中，指的就是最热的那一小部分资源将得到绝大部分的关注，而剩下的很大一部分资源却鲜少有人问津。这不仅造成了资源利用上的浪费，也让很多口味偏小众的用户无法找到自己感兴趣的内容。

• 降低信息过载

　　互联网时代信息量已然处于爆炸状态，若是将所有内容都放在网站首页上用户是无从阅读的，信息的利用率将会十分低下。因此我们需要推荐系统来帮助用户过滤掉低价值的信息

• 提高站点的点击率/转化率

　　好的推荐系统能让用户更频繁地访问一个站点，并且总是能为用户找到他想要购买的商品或者阅读的内容。

• 加深对用户的了解，为用户提供定制化服务

　　可以想见，每当系统成功推荐了一个用户感兴趣的内容后，我们对该用户的兴趣爱好等维度上的形象是越来越清晰的。当我们能够精确描绘出每个用户的形象之后，就可以为他们定制一系列服务，让拥有各种需求的用户都能在我们的平台上得到满足。

2. 推荐算法有哪些？

• 基于流行度的算法

根据热度，对内容进行排序，直接将当前最热的东西推荐给用户。优点是简单易实现，适用于新用户，缺点是没有进行个性化推荐，很可能推荐的不是用户喜欢的。

• 协同过滤算法（collaborative filtering）CF

协同过滤推荐算法分为两类，分别是基于用户的协同过滤算法(user-based collaboratIve filtering)，和基于物品的协同过滤算法(item-based collaborative filtering)，简单来说就是物以类聚，人以群分。

基于用户的协同过滤：

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。

基于物品的协同过滤：

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。

• 基于内容的算法（content-based）

包括三步：

• 物品表示（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；
• 特征学习（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）；
• 生成推荐列表（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。
• 基于模型的算法

可以使用机器学习的算法，根据用户已经发生的行为，预测用户接下来可能的需求操作。

• 混合算法

mixed 将多个算法的输出结果同时都推荐给用户

feature combination 将多个算法输出的特征进行融合然后利用其他算法产生推荐

cascade 将多个算法的推荐结果进行筛选后在推送

switching 根据实际情况的不断变化在不同的推荐算法中切换

3. 推荐系统评估

• 线下评估
• 线上评估

首先在实验阶段，进行线下评估，线下评估一般会从数据集中分出测试数据集，将设计好的系统在测试数据集上进行测试，评估系统性能，可以考虑以下几个评估标准：

• RMSE（均方根误差）

• MAE（平均绝对误差）

• F1 score

线上评估通常采用ABtest的方式，将多个方案同时在线上进行测试，最终选择效果较好的方案。评价标准有CTR（转换率），CVR（点击率），GMV（成交额）等。