推荐系统学习笔记
1 什么是推荐系统？
推荐系统的任务是联系用户和信息，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对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。
推荐系统和搜索引擎不同的是，推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为给用户的兴趣建模，从而主动给用户推荐能够满足他们兴趣和需求的信息。
推荐系统通过发掘用户的行为，找到用户的个性化需求，从而将长尾商品准确地推荐给需要它的用户，帮助用户发现那些他们感兴趣但很难发现的商品。
2 推荐系统的方法
推荐系统的方法：
社会化推荐（social recommendation）
基于内容的推荐（content-based filtering）
基于协同过滤（collaborative filtering）
推荐算法的本质是通过一定的方式将用户和物品联系起来，而不同的推荐系统利用了不同的方式。
3 推荐系统的应用
个性化推荐系统在网站中的主要作用是通过分析大量用户行为日志，给不同用户提供不同的个性化页面展示，来提高网络的点击率和转化率。
1. 电子商务：例如亚马逊
2. 电影和视频网站：例如Netflix
3. 个性化音乐网络电台：例如Last.fm
4. 社交网络：例如Facebook
5. 个性化阅读：例如Digg
6. 基于位置的服务：例如Foursquare
7. 个性化邮件：例如Tapestry
8. 个性化广告：例如Facebook
4 如何测评
一个完整的推荐系统一般存在3个参与者：用户、物品提供者和提供推荐系统的网站，在评测一个推荐算法时，需要同时考虑三方的利益，一个好的推荐系统是能够令三方共赢的系统。
推荐系统实验方法
1离线实验
步骤：
① 通过日志系统获得用户行为数据，并按照一定格式生成一个标准的数据集；
② 将数据集按照一定的规则分成训练集合测试集；
③ 在训练集上训练用户兴趣模型，在测试集上进行预测；
④ 通过事先定义的离线指标评测算法在测试集上的预测结果。
优点：不需要有对实际系统的控制权；不需要用户参与实验；速度快，可以测试大量算法
缺点：无法计算商业上关心的指标，如点击率、转化率等；离线实验的指标和商业指标存在差距。
2用户调查
真实用户在测评的推荐系统上完成一些任务，在完成任务时，需要观察和记录他们的行为，并让他们回答一些问题，通过分析他们的行为和答案了解测试系统的性能。
优点：可以获得很多体现用户主观感受的指标，相对在线实验风险很低，出现错误后很容易弥补。
缺点：招募测试用户代价较大，很难组织大规模的测试用户，因此会使测试结果的统计意义不足。
3在线实验
在完成离线实验和必要的用户调查后，可以将推荐系统上线做AB测试，将它和旧的算法进行比较。
AB测试是一种很常用的在线评测算法的实验方法。http://www.abtests.com/
一般来说，一个新的推荐算法最终上线，需要完成3个实验：
首先，需要通过离线实验证明他在很多离线指标上由于现有的算法。
然后，需要通过用户调查确定它的用户满意度不低于现有的算法。
最后，通过在线的AB测试确定它在我们关心的指标上由于现有的算法。
评测指标
1．用户满意度：通过用户调查或者在线实验获得。
2．预测准确度:评分预测（均方根误差和平均绝对误差），TopN推荐
3．覆盖率：信息熵，尼基系数
4．多样性
5．新颖性：平均流行度
6．惊喜度
7．信任度：增加推荐系统的透明度，提供推荐解释；考虑用户的社交网络信息
8．实时性
9．健壮性
10．商业目标
11．目标
测评维度
用户维度：主要包括用户的人口统计学信息、活跃度以及是不是新用户等
物品维度：包括物品的属性信息、流行度、平均分以及是不是新加入的物品等
事件维度：包括季节、是工作日还是周末，是白天还是晚上等。