推荐系统学习笔记

在推荐系统的系列笔记中预计将会简要记录这些：

一些推荐系统的基础应用：

• Content Based Recommendation System 基于内容的推荐系统
• Collaborative Filtering 协同过滤
• Low Rank Matrix Factorization 低阶矩阵分解

以及一些更加精确不过更为复杂的模型：

• LFM (Latent Factor Model) 隐因子模型
• SVD (Singular Value Decomposition) 奇异值分解 / SVD++
• Factorization Machines 因子分解机
• Field-aware Factorization Machine (FFM) 场感知分解机
• Group Lasso (least absolute shrinkage and selection operation)

综述

现在常见的推荐系统可以分为以下两种形式：

• Rating prediction 评分预测
• Item recommendation (基于历史记录的) 物品推荐

评分预测是比较简单的一种模型，比如某个用户给定某个物品的评分，在对比其他用户对该用户的评分相似度来判断该用户对其他物品的喜爱程度，从而进行推荐。最典型的就是IMDB与豆瓣，都需要用户主动评分才能进行下一步推荐。其中CBRS基于内容的推荐系统，Collaborative Filtering 协同过滤，SVD奇异值分解就是评分预测的典型模型。

然而评分预测在大部分场景中并不适用，比如在许多电商购物网站，许多用户并不会主动给某个物品进行评分，而且每个物品的attribute差距都很大，不能像电影那样对每个电影的不同属性进行分类从而进行推荐。这个时候只能通过用户的历史记录，点击，购买记录，评论对用户进行合适的推荐。其中有LSA(Latent Semantic Analysis) 隐语义模型：分析用户评论的语义进行推荐；Curiosity Based Model基于好奇心的心理学模型；或是使用数据挖掘的频繁项物品进行推荐(bundle recommendation)等等。

其他更详细的可以参考：sigir17-Embedding Factorization Models for Jointly Recommending
Items and User Generated Lists.pdf

文章目录

1. 推荐系统学习笔记之一 综述
2. 推荐系统学习笔记之二 基于内容的推荐系统(CBRS)+Collaborative Filtering 协同过滤
3. 推荐系统学习笔记之三 LFM (Latent Factor Model) 隐因子模型 + SVD (singular value decomposition) 奇异值分解
4. 推荐系统学习笔记之四 Factorization Machines 因子分解机 + Field-aware Factorization Machine(FFM) 场感知分解机