推荐 系统

1. 推荐系统的背景

大数据时代，信息过载。

信息过载的特点：

• 快：对信息反映的速度远远低于信息传播的速度
• 多：信息量大大高于受众所能消费、承受或需要的信息量
• 杂：大量无关的没用的冗余的数据信息严重干扰

推荐系统和搜索引擎，都可以在一定程度上解决了信息过载问题

• 推荐系统：针对“未知的已知”和“未知的未知”的需求
• 搜索引擎：针对“已知的未知”需求

2. Content Base（基于内容推荐）

推荐系统分为非个性化和个性化两类，CB算法是基于内容的推荐，两种场景都适用

2.1 非个性化

根据用户当前浏览的物品来进行推荐

 实际应用场景：比如当前你点开了哪个视频，根据当前点开的视频，来推荐和当前被点开视频，相似的视频。一般应用在PC端，不会泄漏隐私。

2.2 个性化

根据用户历史浏览的物品（从而推理用户的喜好）来进行推荐

应用场景： 主要应用于移动端，私密性比较好。比如生活中比较常见的：不同的人，抖音给推荐的东西不一样。

优点：

（1）可解释性强（我知道平台为什么给我推荐这个东西，因为我之前看过类似的）

（2）速度快

缺点：

只用了title信息（但是比如视频中，还有画面，视频内容等很多信息），所以推荐的物品不够精细。

2.3 实践

3. 协同过滤

协同算法，是推荐系统中，最常用的、最有效的算法之一，在CB算法系统实验的基础上，做了些调整，如下：

User-Item 矩阵

协同算法，分为两类：User-Based CF和Item-Based CF

• User-based CF（ucf）：用户喜欢和他相似兴趣用户喜欢的东西 (给你推荐物品，为什么你喜欢，因为你的朋友喜欢)
• Item-based CF（icf）：用户喜欢过去喜欢的物品相似的物品（因为你过去点过哪些商品，所以给你推荐）

Q：从原理上来看 ICF 和 Content Base 是一样的？两者到底有什么区别呢？

协同算法，分为两类：User-Based CF和Item-Based CF

• User-based CF（ucf）：用户喜欢和他相似兴趣用户喜欢的东西
• Item-based CF（icf）：用户喜欢过去喜欢的物品相似的物品

3.1 User-based CF

Q: 右边的那个相似度矩阵是怎么算的呢？ 

详见3.4实践

3.2 Item-based CF

 Q：右边的那个相似度矩阵是怎么算的呢？

详见3.4实践

3.3 总结

推荐系统，主要在乎的是“序”

（1）什么情况下用UCF，什么情况下用ICF？

哪一个维度小，就用哪一个

如果用户量非常大——> ICF

如果商品量非常大——>UCF

3.4 实践

I I矩阵相似度计算。

Q：上述归一化的方法，item1 那一列相加也不为1？ 归一化的方法为什么不用（比如user2，iterm1 那里，为什么不用 2/(0+2+5+...+1)）,这样子归一化之后，相加就会为1了

同理UU矩阵的相似度计算