推荐系统杂七杂八的

写于 2019-03-03 | 分类于 编程

• 推荐系统作为数据挖据和机器学习的重要应用之一

• LibRec Java版开源推荐系统
• Surprise Python版开源推荐系统

• LibMF c++版开源推荐系统

• 几乎所有的推荐系统结构都是类似的都由线上和线下两部分

• 考虑时间效应问题，可将协同过滤所使用的数据集归为一个四元组，即{用户、物品、行为、时间}

• 需要解决三个问题：动态评分预测、动态Top-N推荐、时效性的影响

• 算法并非推荐系统最核心的东西，关键元素有：UI和UE(40%)、数据(30%)、领域知识(20%)、算法(10%)

• 基于内容的推荐要做到四步：抓取数据、清洗数据、挖掘数据、应用算法

• 协同过滤通常分为两类：基于记忆的协同过滤(基于用户、基于物品)，基于模型的协同过滤(分类、线性)

• 推荐系统在技术实现上一般分为三个阶段：挖掘、召回、排序

• 挖掘：对用户和物品做非常深入的结构化分析，各角度各层面的特征都被呈现出来，并建立好索引
• 召回：利用各种简单的，复杂的推荐算法从全量的物品中先筛选一部分比较靠谱的

• 排序：对筛选出来的靠谱结果做一个统一的排序，排序过程就会涉及到各模型结果的融合

• 推荐系统基本都包含的流程：结果展示部分、行为日志部分、特征工程部分、召回部分、排序部分

• 优先使用个性化推荐而非热门推荐

• 用户偏好获取：可以通过监测用户行为隐式的获取，也可以由推荐系统询问访问者显式的去获取

• 基于用户最近邻的2个潜在假设：1.如果用户过去有相似的偏好，那么他们未来也会有相似的偏好；2.用户偏好不会随时间而变化

• 近邻相似度、余弦相似度

• 在标准的基于用户或基于物品的CF方法中会考虑长度为3的路径

• 主成分分析：降维、过滤得出数据中“最重要”的方面

• 基于内容推荐系统的特点是着重于利用物品描述信息，而基于知识推荐系统则一般会有一些附加的因果知识来生成推荐，比如某个适用功能

• TF-IDF是信息检索领域的成熟技术，代表词频和反文档频率

• VITA基于约束的推荐系统，Entree基于实例的推荐系统

• 混合推荐设计：整体式，并行式，流水线式