推荐系统学习笔记（一）

• 好的推荐系统
  • 疑问：推荐系统的主要任务，推荐系统和分类目录以及与搜索引擎的区别等
  • 什么是推荐系统
    • 如果对象数目巨大，用户只能通过搜索引擎找到自己需要的目标
    • 如果用户没有明确需求时，需要一个工具帮助筛选，给出一些建议，这个工具就是推荐系统
    • 推荐系统的任务
      • 联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对他感兴趣的用户面前，从而实现信息消费者和生产者的双赢
      • 更好的发掘长尾（一小部分用户的个性化需求），提高销售业绩
    • 和搜索引擎比较
      • 不同的是推荐系统不需要用户提供明确信息
      • 相同的是帮助用户发现信息
    • 推荐算法的本质：通过一定的方式将用户的物品联系起来，而不同的推荐系统利用了不同的方式
    • 推荐系统就是自动联系用户和物品的一种工具
    • 成功的条件
      • 信息过载
      • 用户没有明确的需求
  • 什么是好的推荐系统
    • 用户，平台，内容生产者 三赢
    • 预测准确度是最重要指标
    • 准确的预测并不代表是好的推荐，不新颖，不能令他惊喜，无法增加潜在购买力
    • 不仅能够准确预测用户行为，能够扩展用户事业，帮助用户发现可能感兴趣，不容易发现的东西
  • 实验方法
    • 离线实验
      • 方法
        • 日志获得用户数据行为，生成数据集
        • 按照规则划分训练集和测试集，在训练集上训练模型，测试集上预测
        • 通过事先定义的指标评测算法的预测结果
      • 优点
        • 不需要实际系统的控制权
        • 不需要用户参与
        • 速度快，测试大量算法
      • 缺点
        • 离线指标不全面，无法计算商业指标
    • 用户调查
      • 用户回答问题
      • 成本高，任务设计要科学，实验人群要分布科学
    • 在线实验
      • AB实验，常见实验方法，随即划分用户
      • 优点：公平获得不同算法在线的性能指标
      • 缺点：周期长，各个层级阶段会互相干扰
    • 预测准确度
      • 评分预测：预测用户对物品评分的行为叫评分预测，可能出现用户评分高，但是用户评分的可能性很小
      • TopN预测：给用户一个个个性化的推荐列表，准确率/召回率，更符合实际应用需求
      • 覆盖率：描述一个推荐系统对物品长尾的发掘能力，推荐系统能够推荐出来的物品占总物品的比例。一个好的推荐系统不仅要有较高的用户满意度，还要有较高的覆盖率
      • 多样性：能够覆盖用户不同的兴趣领域
      • 新颖性：推荐用户没有听说过的东西，可以推荐用户没搜索过的东西
      • 惊喜度：用户历史上喜欢的物品不相似，但是用户觉得满意的推荐
      • 信任度：同样的推荐结果，让用户信任的方式推荐给用户，让用户产生更强的购买欲
        • 提高透明度，让用户了解推荐系统的运行极机制，得到用户认同
        • 考虑用户的社交网络信息，利用好友推荐
      • 实时性
        • 实时推荐给用户，满足用户新的行为变化
        • 能够将新的物品推荐给用户
      • 健壮性
        • 设计推荐系统的时候尽量使用代价较高的用户行为
        • 进行攻击检测，清理污染的数据
      • 商业目标
        • 推荐系统需要符合商业目标