本文目录

• 1、推荐系统的关键元素
• • 1.1 数据
  • 1.2 算法
  • 1.3 业务领域
  • 1.4 展示信息
• 2、推荐算法的主要分类
• • 2.1 基于关联规则的推荐算法
  • • 基于Apriori的算法
    • 基于FP-Growth的算法
  • 2.2 基于内容的推荐算法
  • 2.3 基于协同过滤的推荐算法
• 3、推荐系统常见的问题
• • 1、冷启动
  • 2、数据稀疏
  • 3、不断变化的用户喜好
• 4、推荐系统效果评测
• • 4.2 模型离线实验
  • 4.2 用户A\B Test在线实验

1、推荐系统的关键元素

1.1 数据

数据是整个推荐系统的基石，我们需要对数据进行清洗和预处理。

用户行为能够真实的反映每个用户的偏好和习惯，其中的显示反馈数据会比较稀疏，隐式的反馈数据蕴含了大量的信息。

1.2 算法

基于流行度的推荐算法：是基于PV、UV来进行推荐，没有个性推荐。

基于协同过滤的推荐算法：是目前比较主流的一个推荐算法。

基于内容的推荐算法：是通过打标签进行推荐的，可以基于特征向量对内容自动打标签。（以前是人工打标签，现在可以自动打标签了）

基于模型的推荐算法：解决协同过滤算法的数据稀疏性的问题。

1.3 业务领域

不同的领域，不同的行业都会有自己的知识体系，所以泛化的一些推荐系统是无法满足具体领域中的特定的用户需求，所以需要结合知识去特定一些推荐系统。

例如在：
金融领域是基于风险偏好的个性化推荐方法。
社交领域是基于社交信息的用户行为挖掘方法。
电商领域是基于情境感知的个性化偏好的挖掘方法。

1.4 展示信息

可以理解为展示UI，也就是前端数据可视化，你需要把什么样的信息、哪些信息展示给用户，才能做到吸引，高质量的吸引是重要的， 不能过于繁杂，也不能过于少， 要精准。

2、推荐算法的主要分类

2.1 基于关联规则的推荐算法

应用场景：购物篮分析。
通过放入购物篮的不同商品之间的联系，分析顾客的购物习惯。

基于Apriori的算法

Aparior是无监督学习算法，挖掘一堆数据集中的数据之间的某种关联。但是会存在一些明显的缺点，如数据集很大的时候，运行效率很低。

假设有四种单品，那如果两两组合，那少于某个特定值的就会淘汰，这个特定值叫做 支持度。只有当支持度大于某个特定值的时候，才能认为是有效的。

基于FP-Growth的算法

FP-Growth不产生候选集。另外只需要扫描2次数据集，这是和Apriori最大的两个不同点。

2.2 基于内容的推荐算法

简而言之，就是推荐内容相似的物品。

通过打标签tag来找内容相似的物品，也可以通过文本相似度来找内容相似的物品。

通过自然语言挖掘：文本相似度是通过TF-IDF算法来完成的：提取关键词及其TFIDF值，将共同关键词的TFIDF的值的积并求和，然后获取相似度的值。

最后，也能通过分类算法来分类。

2.3 基于协同过滤的推荐算法

基于用户的协同过滤：是指兴趣相近的用户会对同样的物品感兴趣。
基于物品的协同过滤：是指推荐给用户他们喜欢的物品相似的物品。

协同过滤是为了解决数据稀疏，为此我们进行特征分解，把评分矩阵不全，进行降维。通过奇异值分解来进行特征分解，提出了SVD，但是SVD过于复杂，又提出了PMF。

3、推荐系统常见的问题

1、冷启动

根据用户注册信息对用户进行分类，如手机号运营商、邮箱等等可以适当解决用户冷启动。

也可以通过推荐热门的排行榜、基于深度学习的语义模型理解来解决。

所以需要引导用户把自己的属性表达起来。

对于物品冷启动，则需要通过文本分析、主题模型、给物品打标签、排行榜单等来做到。

2、数据稀疏

用户-物品矩阵是稀疏矩阵。其解决方案如下：

但降低维度也会有一定丢失属性。

3、不断变化的用户喜好

需要对用户行为的存储有实时性，另外推荐算法要考虑到用户近期行为和长期行为，并且不断的挖掘用户新的兴趣爱好。

4、推荐系统效果评测

4.2 模型离线实验

1、模型离线实验：将数据集分为训练数据和测试数据集。在训练集上训练推荐模型，在测试集上进行预测。最后通过预定的指标来评测测试集上的预测结果。

模型离线实验是推荐系统中的一个基石，路径短，方便完成闭环以此来完成快速迭代，同时不会影响线上的用户体验。
最大的优点就是无需真实的用户参与。

但最大的缺点也是没有用户数据集真实，无法获得真实的用户关心指标。

4.2 用户A\B Test在线实验