推荐学习

推荐引擎

推荐品类

非传统大家电且有购买行为的品类（11个一级品类）

定义：购买人数10

基于大众行为的推荐引擎

据大众行为的推荐引擎，对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品

个性化推荐引擎

1、基于人口统计学的推荐（单一性）

给相似的用户推荐同样的商品

优点：因为不使用当前用户对物品的喜好历史数据，所以对于新用户来讲没有“冷启动（Cold Start）”的问题

优点：这个方法不依赖于物品本身的数据，所以这个方法在不同物品的领域都可以使用，它是领域独立的（domain-independent）

缺点：基于用户的基本信息对用户进行分类的方法过于粗糙，尤其是对品味要求较高的领域，比如图书，电影和音乐等领域，无法得到很好的推荐效果。

2、基于内容的推荐（Content-based Recommendation）关键字推荐、商品相关性（单一性）

根据推荐内容的相似性，推荐商品。如：客户购买了商品，推荐同类商品（商品纵向推荐）

基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐机制，它的核心思想是根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。

缺点：需要对物品进行分析和建模，推荐的质量依赖于对物品模型的完整和全面程度。在现在的应用中我们可以观察到关键词和标签（Tag）被认为是描述物品元数据的一种简单有效的方法

缺点：物品相似度的分析仅仅依赖于物品本身的特征，这里没有考虑人对物品的态度

缺点：因为需要基于用户以往的喜好历史做出推荐，所以对于新用户有“冷启动”的问题

成功的应用：在一些电影，音乐，图书的社交站点

3、基于协同过滤的推荐

基于用户的推荐（User-based Recommendation）

根据所有用户对物品或者信息的偏好，发现与当前用户口味和偏好相似的“邻居”用户群，在一般的应用中是采用计算“K- 邻居（mean）”的算法；然后，基于这 K 个邻居的历史偏好信息，为当前用户进行推荐

基于用户的协同过滤推荐机制和基于人口统计学的推荐机制都是计算用户的相似度(用户聚类)，并基于“邻居”用户群计算（同类用户推荐商品）推荐，但它们所不同的是如何计算用户的相似度，基于人口统计学的机制只考虑用户本身的特征，而基于用户的协同过滤机制可是在用户的历史偏好的数据上计算用户的相似度，它的基本假设是：喜欢类似物品的用户可能有相同或者相似的口味和偏好。

基于项目的推荐（Item-based Recommendation）

使用所有用户对物品或者信息的偏好，发现物品和物品之间的相似度，然后根据用户的历史偏好信息，将类似的物品推荐给用户

基于项目的协同过滤推荐和基于内容的推荐其实都是基于物品相似度预测推荐，只是相似度计算的方法不一样，前者是从用户历史的偏好推断，而后者是基于物品本身的属性特征信息。

基于模型的推荐（Model-based Recommendation）

基于样本的用户喜好信息，训练一个推荐模型，然后根据实时的用户喜好的信息进行预测，计算推荐

基于协同过滤的推荐机制是现今应用最为广泛的推荐机制，它有以下几个显著的优点：1.\t它不需要对物品或者用户进行严格的建模，而且不要求物品的描述是机器可理解的，所以这种方法也是领域无关的。2.\t这种方法计算出来的推荐是开放的，可以共用他人的经验，很好的支持用户发现潜在的兴趣偏好而它也存在以下几个问题：1.\t方法的核心是基于历史数据，所以对新物品和新用户都有“冷启动”的问题。2.\t推荐的效果依赖于用户历史偏好数据的多少和准确性。3.\t在大部分的实现中，用户历史偏好是用稀疏矩阵进行存储的，而稀疏矩阵上的计算有些明显的问题，包括可能少部分人的错误偏好会对推荐的准确度有很大的影响等等。4.\t对于一些特殊品味的用户不能给予很好的推荐。5.\t由于以历史数据为基础，抓取和建模用户的偏好后，很难修改或者根据用户的使用演变，从而导致这个方法不够灵活。

3.\t根据推荐模型的建立方式

根据推荐模型的建立方式

1、基于物品和用户本身

将每个用户和每个物品都当作独立的实体，预测每个用户对于每个物品的喜好程度，这些信息往往是用一个二维矩阵描述的。由于用户感兴趣的物品远远小于总物品的数目，这样的模型导致大量的数据空置，即我们得到的二维矩阵往往是一个很大的稀疏矩阵。同时为了减小计算量，我们可以对物品和用户进行聚类， 然后记录和计算一类用户对一类物品的喜好程度，但这样的模型又会在推荐的准确性上有损失。

2、基于关联规则的推荐（Rule-based Recommendation）

典型的场景就是“购物篮问题”，通过关联规则的挖掘，我们可以找到哪些物品经常被同时购买，或者用户购买了一些物品后通常会购买哪些其他的物品，当我们挖掘出这些关联规则之后，我们可以基于这些规则给用户进行推荐

3、基于模型的推荐（Model-based Recommendation）

这是一个典型的机器学习的问题，可以将已有的用户喜好信息作为训练样本，训练出一个预测用户喜好的模型，这样以后用户在进入系统，可以基于此模型计算推荐。这种方法的问题在于如何将用户实时或者近期的喜好信息反馈给训练好的模型，从而提高推荐的准确度

混合的推荐机制

1.\t加权的混合（Weighted Hybridization）: 用线性公式（linear formula）将几种不同的推荐按照一定权重组合起来，具体权重的值需要在测试数据集上反复实验，从而达到最好的推荐效果

2.\t切换的混合（Switching Hybridization）：前面也讲到，其实对于不同的情况（数据量，系统运行状况，用户和物品的数目等），推荐策略可能有很大的不同，那么切换的混合方式，就是允许在不同的情况下，选择最为合适的推荐机制计算推荐

3.\t分区的混合（Mixed Hybridization）：采用多种推荐机制，并将不同的推荐结果分不同的区显示给用户（置于不同栏目推荐）。其实，Amazon，当当网等很多电子商务网站都是采用这样的方式，用户可以得到很全面的推荐，也更容易找到他们想要的东西

4.\t分层的混合（Meta-Level Hybridization）: 采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐。

应用

在现在的推荐系统中，很少有只使用了一个推荐策略的推荐引擎，一般都是在不同的场景下使用不同的推荐策略从而达到最好的推荐效果，例如 Amazon 的推荐，它将基于用户本身历史购买数据的推荐（交易信息），和基于用户当前浏览的物品的推荐（访问信息），以及基于大众喜好的当下比较流行的物品（评价）都在不同的区域推荐给用户，让用户可以从全方位的推荐中找到自己真正感兴趣的物品。

推荐在电子商务中的应用 – AmazonAmazon 作为推荐引擎的鼻祖，它已经将推荐的思想渗透在应用的各个角落。Amazon 推荐的核心是通过数据挖掘算法和比较用户的消费偏好于其他用户进行对比，借以预测用户可能感兴趣的商品。对应于上面介绍的各种推荐机制，Amazon 采用的是分区的混合的机制，并将不同的推荐结果分不同的区显示给用户，图 6 和图 7 展示了用户在 Amazon 上能得到的推荐。

要点3