推荐系统HandBook Chapter1 概述
推荐系统是一种软件工具和技术方法，它可以向用户建议有用的物品，其是一种解决信息过载的有效工具。
推荐系统的功能
- 服务提供商采用这种技术的原因：
- 提高转化率，即接受推荐并消费物品的用户数量比上仅浏览了这些信息的普通访客数量；
- 出售更多种类的物品；
- 增加用户满意度；
- 更好地了解用户需求；
推荐系统分类
- 基于内容(content-based)
- 系统为用户推荐与他们过去的兴趣类似的物品。
- 物品间的相似性基于被比较的物品的特征来计算。
- 协同过滤(collaborative filtering)
- 找到与用户有相同品味的用户，然后将相似用户过去喜欢的物品推荐给用户。
- 两用户间的相似偏好通过计算用户历史评分记录相似度得到。
- 最流行&最广泛实现的技术。
- 基于人口统计学(demographic)
- 基于用户的语言、国籍等人口统计学信息进行个性化推荐。
- 推荐系统对这方面的研究较少。
- 基于知识(knowledge-based)
- 根据特定领域知识推荐物品。
- 这些知识是关于如何确定物品的哪些特征能够满足用户需要和偏好，以及最终如何确定物品对用户有用。
- 这些系统中，相似函数用来估算用户需求(问题描述)与推荐(解决问题)的匹配度。
- 基于社区(community-based，社会化推荐)
- 依赖用户朋友的偏好。
- 关注度越来越高。
- 混合推荐系统(hybird recommender system)
- 综合上述的技术进行推荐。
应用与评价
系统设计阶段首先要考虑的是推荐系统应用的领域。
- 娱乐： 电影、音乐和IPTV的推荐。
- 内容： 个性化新闻报纸、文件推荐、网页推荐、电子学习程序和电子邮件过滤等。
- 电子商务： 为消费者提供需购买的产品，如书籍、电脑等。
- 服务： 旅游服务推荐、专家咨询推荐、租房推荐或者中介服务。
另外一个重要的问题是推荐系统的评测。出于各种各样的目的，推荐系统生命周期的不同阶段都要进行评测。
推荐解释在推荐系统中扮演的七大作用：
- 透明度：说明系统是如何工作的；
- 可反馈性：允许用户告诉系统有错误；
- 信任：增加用户对系统的信心；
- 有效性：帮助用户做出好的决定；
- 说服力：说服用户去尝试或购买；
- 高效性：帮助用户快速抉择；
- 满意度：增加用户舒适度或乐趣。
推荐系统的挑战
本书没有涵盖，但是对推荐系统的研究发展比较重要的挑战。
- 大的真实数据集背景下的算法扩展性
- 较小的离线测试后，该方法在非常大的数据集上可能失效或完全不适应，需要重新评估研究
- 主动推荐系统
- 虽然没有明确的请求，推荐系统也产生推荐
- 需要预测推荐什么，什么时候，如何推荐
- 推荐系统中的用户隐私保护
- 简约明智地使用用户信息，同时避免被恶意用户获得
- 推荐给用户的物品多样性
- 推荐列表中包含的物品具有多样性，则用户更可能找到合适的物品
- 在建立推荐列表的过程中整合用户的长期和短期偏好
- 通常要使用混合模型来正确地整合用户的长期和短期偏好
- 通用的用户模型和交叉领域推荐系统能够在不同的系统和应用领域调配用户数据
- 在开放式网络中运行的分布式推荐系统
- 最优化推荐序列的推荐系统
- 移动上下文的推荐系统