推荐系统学习笔记（二）

1. 简介

个性化推荐算法都是机遇用户行为数据分析设计的

用户行为数据在网站上最简单的存在形式就是日志，网站会存储在文件系统中，每个绘画表示一次用户行为和对应服务。比如在搜索引擎和搜索广告系统中，服务会为每次查询生成一个战士日志，记录了查询和返回结果。如果用户点击了某个结果，点击信息会被服务器截获并存储在点击日志中

用户行为数据（ua）分类：

显性反馈行为，用户明确表态的行为，比如喜欢或者不喜欢，购买等动作

隐性反馈行为，不能明确反应用户喜好的行为，比如浏览

 

2. 用户行为分析

在利用ua设计算法之前，需要分析数据规律

互联网上很多数据满足长尾分布f(x)=alpha*(x)^k

 

3. 测评指标

召回率：描述有多少比例的用户-物品评分记录包含在最终的推荐列表里，

准确率：描述最终的推荐列表中有多少比例是发生过的用户-物品评分记录

覆盖率：最终的推荐列表中包含多大比例的物品

 

离线实验的性能在选择推荐算法时并不起决定作用，首先应该满足产品的需求

 

4. 隐语义模型

核心思想是通过隐含特征联系用户兴趣和物品，LFM隐语义模型，最早在文本挖掘领域提出

 

5. 基于邻域的算法

推荐系统中最基本的算法，包括协同过滤算法

UserCF和ItemCF算法

 

6. 基于图的模型

用户行为很容易而粪土表示，因此很多图的算法都可以用到推荐系统

用户行为数据的二分图表示，基于图的模型是推荐系统中的重要内容

基于图的推荐算法：在二分图上给用户提供推荐，Personalrank算法通过随机游走，全图迭代造成时间复杂度很高