《推薦系統》第一章

第一章概述

推薦系統（RS）是向用戶建議有用物品的軟件工具和技術

1.1簡介

「物品」是用來表示系統向用戶推薦內容的總稱。一個推薦系統一般專一於一個特定類型的物品（如CD或新聞），所以它的設計、圖形用戶界面以及用於生成建議的核心的推薦技術都是爲特定類型的物品提供有用和有效的建議而定製的。

推薦系統主要針對的是那些缺少足夠的我的經驗和能力的人，它們沒法評估潛在的大量可供選擇的物品。

個性化的推薦最簡單的形式是提供一個排好序的物品列表。經過這個排序列表，推薦系統試圖根據用戶的偏好和其餘約束條件來預測最合適的產品或服務。

推薦系統被證實是一種解決信息過載問題的有效工具，可選擇是好的，可是太多的選擇就不是很好了。

 

1.2推薦系統的功能

推薦系統被定義爲軟件工具和技術，這些工具和技術用於爲用戶提供物品建議信息，而這些推薦信息用戶或許會利用

推薦系統的通常做用：

1.增長物品銷售數量

2.出售更多種類的物品

3.增長用戶滿意度

4.增長用戶忠誠度

5.更好地瞭解用戶需求

 

推薦系統可以實現的11個常見的功能：

1.發現一些好的物品

2.發現全部好的物品

3.產品註解：在給定的上下文語境中，咱們根據用戶的長期偏好來肯定這些物品的重要性

4.推薦系列產品

5.搭配推薦

6.閒逛：在這項任務中，用戶只是簡單地瀏覽目錄而不帶有強烈地購買意圖。推薦系統的任務是幫助用戶瀏覽一些其在特定瀏覽時期可能會感興趣的物品

7.發現可信的推薦系統：有些用戶不信任推薦系統，因而它們抱着試試看的態度去嘗試推薦系統的推薦結果。

8.完善用戶信息

9.自我表達：一些用戶可能不在乎給出的推薦結果，相反它們重要的是系統容許他們展現它們的評分。

10.幫助他人：有些用戶樂於貢獻信息，如它們對物品的評價（評分）

11.影響他人：在基於Web的推薦系統中，某些用戶的主要目標是對其餘購買特定產品的用戶產生明顯的影響

 

1.3數據和知識資源

推薦系統是信息處理系統，爲了實現推薦，該系統會積極收集各類數據。數據主要是關於推薦的物品和收到這些推薦結果的用戶，可是因爲推薦系統得到的數據和知識來源可能區別很大，它們最終是否能夠被利用取決於推薦技術。

推薦系統使用的數據通常指的是三種對象：物品、用戶和事務，也就是用戶和物品的關係

物品。物品是被推薦的對象集。物品具備複雜性和有價值或效用的特色。若是物品對於用戶是有用的，那麼物品的做用就是積極的；不然若是物品對於用戶不適合，那物品的做用就是消極的，從而致使用戶在選擇時作出錯誤決定。咱們注意到，當一個用戶須要得到一個物品時，他總會付出代價，其中包括搜索物品的認知代價和最終爲物品支付的費用。物品集能夠用各類信息和表述方法來表示。

用戶。正如前面提到的那樣，推薦系統的用戶可能有很是不一樣的目的和特色。爲了使推薦結果和人機交互個性化，推薦系統使用用戶的一系列信息。這種信息能夠用不一樣的方式組織，並且一樣的是，選擇哪一種信息建模取決於推薦系統

事務。咱們通常將一個事務看做用戶和推薦系統進行交互的一條記錄，人機交互過程當中產生的這種相似日誌的數據存儲着重要的信息，而且這些數據對系統中推薦生成算法是有用的。

 

實際上評分是推薦系統收集交易數據最流行的方式。這些評分多是用顯式或者隱式的方式收集的。收集顯式評分時，用戶須要在某個評級尺度內給出本身對物品的見解。評級能夠採用各類方式：

1.數字評級

2.序數評級

3.二元制評級：僅需確認好或很差

4.一元制評級：用來表示用戶已經看到或買了一個物品，或由此對物品進行明確的評價。在這種狀況下，評分值得缺失意味着關聯用戶和物品得信息是未知的

另外一種評價的形式就是關聯用戶和物品的標籤。

 

從事務中隱式收集用戶評級，系統的目標是根據用戶的行爲推斷用戶的意圖。

在會話系統中，即支持交互過程的系統中，交易模型更加精確。在這些系統中，用戶請求和系統行爲交替出現。更確切地說，用戶請求一個推薦，系統就產生一個推薦列表。可是系統仍然須要額外的用戶偏好信息，以期產生更好的結果。在這個交易模型中，系統收集各類請求——響應信息，而且最終經過觀察推薦過程的結果來修改系統的交互策略。

 

1.4推薦技術

爲了實現上述目的，系統必須可以預測一些物品的效用性，或者至少對物品的效用性做比較，而後根據比較決定該推薦的物品。雖然推薦算法中對預測這一步描述不是很明確，可是咱們仍然可使用統一的模型來描述推薦系統的通常做用。

六種不一樣的推薦方法：

1.基於內容：系統爲用戶推薦與他們過去的興趣相似的物品。物品間的類似性是基於被比較的物品的特徵來計算的

2.協同過濾：這種方法是找到與用戶有相同品味的用戶，而後將類似用戶過去喜歡的物品推薦給用戶。

3.基於人口統計學的：這種類型的推薦系統推薦物品時是基於人口統計信息的。咱們假設不一樣的人羣信息應該產生不一樣的推薦。許多網站採用基於人口統計學的簡單而有效的個性化解決方案。

4.基於知識：基於知識的系統根據特定的領域知識推薦物品，這些知識是關於如何肯定物品的哪些特徵可以知足用戶需求和偏好，以及最終如何肯定物品對用戶有用。

5.基於社區：這種推薦方法依賴用戶朋友的偏好。這種技術有個業界流行的表述「告訴我你的朋友是誰，我將知道你是誰」。這種推薦系統獲取用戶的社會關係和用戶朋友的偏好等信息並以此進行建模。

6.混合推薦系統：這類推薦系統綜合了上面提到的技術。混合推薦就是綜合A和B的方法，利用A的優點彌補B的不足。