最近在看項亮同學的推薦系統實踐，整理一下思路。

推薦系統，整體上有三種方式：

• user->user->item, 推薦與其相同興趣的使用者喜歡的item，user-based
• user->item->item, 推薦與其喜歡的item相似的item，item-based
• user->item-feature->item，抽取使用者喜歡item的特徵，推薦具備這些特徵的item, model-based

針對前兩個，目前絕大多數採用的都是item-based，比如amazon等，談到item-base優於user-based，但是類似digg等還是採用user-based，效果也還不錯，所以不能哪個一定優於另一個，只是使用的場景不一樣。針對這兩個方法作對比：user-based更多的考慮相同愛好的使用者興趣，推薦這些使用者喜歡/訪問過的item，和使用者當前的行為關係不大，更多的是使用者的這些朋友訪問過什麼，屬於圈子的社會化行為，推薦的item是相同愛好使用者最喜歡的item，所以具備熱點效應，也就是推薦圈子使用者訪問最多的；同時也可以將圈子使用者剛剛訪問item推薦出來，具備很強的實時性，尤其是新引入的熱點，可以很快的擴散，也能解決new-item的冷啟動問題。item-based 主要考慮使用者歷史興趣，推薦與使用者歷史喜歡item相似的item，和使用者的當前行為有很大的關係，推薦的item與使用者當前click的相似性，使用者是可以理解的，也就是所謂的可解釋性很強，推薦的item也不是熱門的，很有可能是冷門(長尾)，但是和使用者的興趣相關，要求使用者在這個網站上的興趣是長久和固定的，推薦的意義在於幫助使用者找到和其興趣相關的item。推薦item和是哪個使用者關係不大，所以比較好的解決新加入使用者的問題。所以在做推薦決策時，主要考慮如下問題：1.使用者是否對該領域有固定長期的興趣2.使用者的規模3.item的規模4.新增使用者的速度5.新增item的速度6.實時性要求我認為第一個應該是最主要的要求，體現使用者對個性化要求的程度：比如 類似指閱等新聞熱點網站，以及類似youku這樣使用者製造item的網站，使用者感興趣的是發生了什麼，大家都在看什麼，而對細分領域要求不高，使用者看”端午煙臺轎車撞自行車隊"視訊，同時也想看“youku我是傳奇 斷臂哥勵志歌唱”視訊，而使用者歷史上可能在看“甄嬛轉”或者“筷子兄弟的父親”,沒有很明顯的主題，也無法反映使用者的興趣，使用者當前的行為，也不對接下里推薦立刻生效，使用者只是實時的對熱門或者其他人觀看的東西感興趣，同時item新增的速度也比較快，可以很快的讓很多使用者觀察到，而使用者增速慢，這時候user-based就是很好的選擇。但是，類似douban，amazon這樣的網站，使用者當前的行為對推薦的item有很大的影響，比如使用者在douban 我讀下面看了一本推薦系統實踐，能夠說明使用者對資料探勘或者推薦領域有興趣，那麼推薦“recommend system handbook”是一個不錯的選擇，同時解釋性也很強，推薦系統需要做的只是幫組使用者發現該領域的知識，使用者之前不知道的，滿足使用者需求。而事實上，分析使用者的行為，使用者行為focus在這些領域，具有連續性。一般來說，這些網站item的增加速度不快，比如新書/電影等不可能頻繁增加。而 新增的使用者只要點選一個item後就可以形成推薦，所以，item規模不大，或者小於使用者規模，同時item變化速度也不快時，item-based是最佳選擇。先整理這麼多，不一定正確，慢慢感覺，隨時修改