推薦系統簡介

什麼是推薦演算法

為了解決資訊過載和使用者無明確需求的問題，找到使用者感興趣的物品，於是有了個性化推薦系統。

解決資訊過載的問題，代表性的解決方案是分類目錄和搜尋引擎。
- 類目導航:使用者主動按類目逐層查詢
- 代表性公司:雅虎,新浪,搜狐,網易
- 搜尋:使用者主動提供意圖明確的 query
- 代表性公司: Google
- 推薦:系統主動提供給使用者一種選擇
- 代表性公司: Netflix,今日頭條
- 推薦的優勢
- 使用者大多數情況下並沒有明確的意圖
- 推薦可以給幫助使用者發現,帶給使用者驚喜

例如：你想吃什麼，隨便！
面對這種很隨便又得罪不起的使用者（女友和上帝），只能通過分析使用者的歷史行為給使用者的興趣建模，從而主動給使用者推薦能夠滿足他們興趣和需求的資訊。

推薦系統任務是聯絡使用者和資訊，一方面幫助使用者發現對自己有價值的資訊，另一方面讓資訊能夠展示在對它感興趣的使用者面前，實現資訊消費者和資訊生產者的雙贏。

推薦系統的發展

• 推薦系統在不同領域的探索
  
  • 1992年,Goldberg提出第一個(個性化郵件)推薦系統Tapestry,第一次提出了協同過濾的思想,利用使用者的標註和行為資訊對郵件進行重排序
  • 1994年, Resnick等人提出了針對新聞訊息的協同過濾推薦系統 Grouplens
  • 1996年,在 Berkeley的協同過濾專題討論會上,提出了推薦系統這一概念。
• 推薦系統的商業化
  
  • 1995年,MIT的 Pattie maes研究小組創立了 Agents公司(後來更名為 Firefly networks)
  • 關注技術問題:降低線上計算時間,冷啟動問題,可信度、可解釋性等使用者體驗問題。
• 推薦系統的學術研究
  
  • 2006年, Netflix的百萬美元竟賽
  • 2007年, j. A. konstan等人組織了第一屆ACM推薦系統大會( Rests)
• 推薦系統的未來:基於上下文的推薦(情景推薦
  
  • 人們開始更多關注推薦系統是否真正滿足使用者的需求

推薦系統的應用和價值

• 推薦的應用
  
  • 音樂、電影的推薦
  • 電子商務中商品推薦
  • 個性化閱讀(新聞訊息)
  • 社交網路好友推薦、朋友圈推薦
  • 基於位置的服務推薦
  • …
• 推薦的價值
  
  • Netflix:2/3的電影是因為被推薦而觀看
  • Google news:推薦提升了38%的點選
  • Amazon:銷售中推薦佔比高達35%

推薦系統核心問題

• 如何評估一個使用者(user)對一個物品(item)的評分（喜歡程度）？

推薦系統的評價標準

• 使用者滿意度( User satisfaction):調研或使用者反饋;點選率、轉化率等
• 準確性( Accuracy):prec|Sion/ recall //F- score
• 覆蓋率( Coverage):照顧到尾部物品和使用者
• 多樣性 Diversity):兩兩之間不相似
• 新穎性( Novelty):沒聽過、沒見過的物品
• 驚喜性( Serendipity):如何評價?
• 使用者信任度( Trust)冋可解釋性( explanation):推薦理由
• 魯棒性/健壯性( Robustness):哈利波特現象;抗攻擊、反作弊
• 實時性(Real-time/ online):新加入的物品;新的使用者行為(實時意圖)
• 商業目標( business target):一個使用者帶來多少盈利

參考文獻

link

《推薦演算法實踐》by項亮