一 推荐系统概述
推荐系统目前几乎无处不在，主流的app都基本应用到了推荐系统。例如，旅游出行，携程、去哪儿等都会给你推荐机票、酒店等等；点外卖，饿了么、美团等会给你推荐饭店；购物的时候，京东、淘宝、亚马逊等会给你推荐“可能喜欢”的物品；看新闻，今日头条、腾讯新闻等都会给你推送你感兴趣的新闻....几乎所有的app应用或网站都存在推荐系统。
推荐系统目的：
1.帮助用户找到想要的商品（新闻，音乐等），发掘长尾（后文有简介）
2.降低信息过载，即现在是信息大爆炸的时代，物品越来越多，信息越来越多，而人的精力和时间是有限的，需要一个方式去更有效率地获取信息，链接人与信息。
3.提高站点的点击率和转化率（电商，论坛，微博等）
针对用户：
在用户明确的需求下：比如我们去便利店选购苹果，我们可以凭经验去找到小摊位购买；在大型商场，我们可以通过导购牌分类，先找到出售生鲜水果的楼层，进而购买苹果；在淘宝，京东等电商网站上，我们则是通过搜索引擎，来跳转到相关的界面来选能够
在用户没有明确需求下：在信息过载的背景下，我们可以通过朋友介绍推荐，豆瓣参考评分等一系列的导游等等，这些统称为推荐系统
推荐系统不需要用户明确的需求，而是通过用户的历史记录，历史行为来给用户兴趣的模型，从而主动给用户推荐能够满足他们的兴趣和需求的信息
针对商家：
推荐系统可以更好的挖掘物品的长尾词（传统的80/20，即传统的80%的销售来源于20%的热门品牌）；主流商品往往代替了大部分用户的需求，而长尾商品往往代表了一部分的个性需求。
推荐系统的本质是通过了一定的方式将用户和物品联系起来，而不同的推荐采用不同的方式，比如利用好友，用户历史兴趣及其用户的注册兴趣信息等！
二 推荐系统的应用
个性化的推荐系统需要依赖用户的行为数据，主要是通过分析大量的用户的行为，给不同的用户提供不同的个性化页面展示，来提高网页的点击量和转化率！
领域： 电子商务，电影，音乐，社交，服务，广告等！
（1）电子商务 —— Amazon
个性化推荐列表；相关推荐列表（打包销售）
（2）电影和视频网站 —— Netflix
（3）个性化音乐网络电台 —— Pandora 豆瓣
注意音乐推荐具有很多特殊点
（4）社交网络 —— Facebook
Facebook有个推荐API
（5）个性化阅读 —— GoogleReader Zite
（6）基于位置的服务
位置是一种很重要的上下文信息
（7）个性化邮件 —— Tapestry
（8）个性化广告 —— Facebook
三 评测指标
1 用户满意度 最重要指标
2 预测准确度 （评分预测；TopN推荐：准确率，召回率，度量等）
3 覆盖率 ：推荐系统对于物品的长尾的挖掘能力（推荐效应初衷就是为了消除马太效应，即强者俞强，弱者遇弱，可以理解为热门商品越热，冷门商品越冷）
判断是否具有马太效，可以利用基尼系数判断（即G2>G1；评测推荐系统是否具有马太效应的简单方法就是使用基尼系数，如果G1是从初始用户行为中计算出的物品流行度的基尼系数，G2是从推荐列表中计算出的物品流行度的基尼系数，那么当G2>G1时，就说明推荐算法具有马太效应）
4 多样性 不在一棵树上吊死
5新颖性 是指给用户推荐那些他们之前没有听说过的物品
6 惊喜性
注意与新颖性进行区别，尚没有公认的定义指标，只能通过问卷调查获取
7 信任性
提高推荐系统的信任度主要在于需要增加推荐系统的透明度，即提供对推荐系统的解释，让用户明白其运行机制
考虑用户的社交网络信息，利用好友信息进行推荐，利用好友进行解释等
8 实时性
（1）推荐系统需要实时地更新推荐列表来满足用户新的行为变化 —— 通过推荐列表的变化速率来评测
（2）推荐系统需要能够将新加入系统的物品推荐给用户 —— 利用用户推荐列表中多大比例的物品是当天新加入的来评测
9 健壮性
（1）健壮性衡量一个推荐系统抗击作弊（人为攻击）的能力
（2）评测主要利用模拟攻击
（3）可以通过以下手段提高系统健壮性：
设计推荐系统时尽量使用代价比较高的用户行为，例如将浏览行为换为购买行为
在使用数据前，进行攻击测试，从而对数据进行清理
10 商业目标
与网站的盈利模式相关
11 总结
（1）对于离线优化来说，一般在给定覆盖率、多样性、新颖性等约束条件下，优化预测准确度。
（2）为了充分了解一个算法的性能，应该在多个维度上进行评测：
用户维度：主要包括用户的人口统计信息、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、平均分以及时不时新加入的物品等
时间维度：包括季节、是工作日还是周末，是白天还是晚上等
欢迎各位大神交流，交流QQ群：688933850
网友评论