**阿俊的部落格
最近看推薦系統方面的東西也有段日子了，有書，部落格，唯獨沒有看**。
總感覺**對於工業界來說用處真的不如學校做課題、**那麼大，只要知道某個演算法好不好用以及怎麼用就可以了，也不必知道太多的細節和數學推導。但根據乙個好的演算法，產品部門可以設計出很多很酷的產品，讓使用者倍感web應用的人性化。
在看書，看大牛們的部落格時，學習到了很多演算法和思路。現在總結一下：
1、item based collective filtering
這個演算法是cf中的一種，也是當今很多大型**都在採用的核心演算法之一。
對於****（以amazon為代表，當然也包括京東那種具有搞笑特色的推薦系統在內），影視類推薦，圖書類推薦，**類推薦系統來說，item的增長速度遠不如user的增長速度，而且item之間的相似性遠不如user之間的相似性那麼敏感，所以可以在離線系統中將item的相似度矩陣計算好，以供線上可以近乎即時地進行推薦。因為這種方法靠的是item之間的相關性進行推薦，所以推薦的item一般都和喜歡的item內容或者特性高度相似，很難推薦出使用者潛在喜歡的item，多樣性也比較差。
2、user based collective filtering
這個是cf中的另外一種，它的主要特色是可以發現和使用者具有同樣taste的人，有句俗話叫做觀其友知其人，大概也是這個道理吧。
3、content based
4、slope one
推薦系統的最最本質的事情就是把user-item rating矩陣中的空白填好，看穿這個本質以後，你可能會覺得問題一下子簡單多了，填格仔啊？填格仔誰不會啊。因此很多高效加搞笑的演算法就出來了。slope one就是其中，說實話，這個演算法我自己沒有寫過，但是看到這個演算法怎麼實現的，我就覺得應該很好做，而且算起來會很快，但結果肯定不會特別理想。
slope one的基本概念很簡單, 例子1, 使用者x, y和a都對item1打了分. 同時使用者x,y還對item2打了分, 使用者a對item2可能會打多少分呢?
user
rating to item 1
rating to item 2x5
3y43
a4?
根據slopeone演算法, 應該是:4 - ((5-3) + (4-3))/2 = 2.5.
當然這個只是個算例簡單地說明下原理，當user和item都很多的時候，你可以用加權的辦法來做。
為什麼我會感覺這個演算法的效果會不理想呢？
因為，這個演算法總是把你的口味和大眾的平均口味作對等，推薦出來的東西很難是非常個性化的。很容易讓很多使用者的推薦結果趨向一致，也就是大數的平均值，也即大眾的平均口味。
5、svd
svd的全稱是：singular value decomposition，翻譯過來是奇異值分解，是一種矩陣分解的方法。其實，這個方法是提取一般實矩陣「特徵值」的演算法，（這裡特徵值加引號是因為，特徵值是針對方陣來定義的，而一般的m*n的實矩陣是沒有特徵值的。）其實，矩陣就是乙個線性變換的表示方法，因為乙個向量乘乙個矩陣的結果是乙個向量，第乙個向量通過線性變換來變成第二個向量。線性變換有許多變換方向，比如你可以對乙個影象矩陣做伸縮同時也做平移。那麼特徵值和特徵向量又是什麼？乙個特徵向量就是表示其中的乙個變換方向，而對應的特徵值則表示這個變換方向對於整個線性變換有多麼重要。
書歸正傳，那麼奇異值又是什麼？我覺得奇異值就是特徵值從方陣往一般實矩陣的乙個推廣。你將乙個m*n的實矩陣和它的轉置相乘，就會得到乙個方陣，然後對這個方陣做特徵值分解，得到的特徵值就是所謂的奇異值的平方。我的意思是說，某種意義上，可以講奇異值和特徵值理解為一回事。
那麼拿到奇異值又會有什麼用呢？拿到奇異值後，我們就可以抓到主要的成分，丟掉次要和非常次要的成分進行分析。也就是說，我們可以對原來的龐大的常常又非常稀疏的矩陣進行降維和分解，而分解後得到的矩陣都是稠密矩陣。最終我們會得到乙個表示user特性的矩陣和乙個表示item特性的矩陣。拿到這些資料之後，我們就可以進行推薦了，而且也可以很容易地進行聚類分析。
這個演算法的好處在於，可以解決rating矩陣的稀疏性問題，同時可以降低矩陣的維度，提高運算速度。但它的缺點是付出的空間代價太大。在做svd分解時，你需要先把乙個大的rating矩陣分解成三個大的矩陣，這三個矩陣需要存在計算機記憶體中，然後才能進行降維。
其實，svd這個方法的思路和pca（主成分分析法）很像，抓住主要矛盾，忽略次要矛盾。分解降維後的矩陣非常約等於原來的矩陣。
6、聚類演算法
這裡用到的聚類演算法，是用來降低維度以及為平行計算作準備的。
拿到rating矩陣之後，可以通過這些評分將使用者自然地聚成幾簇，然後用上述的演算法對各個簇做推薦演算法平行計算，充分地利用好所有計算資源。
當然你也可以在svd分解之後，拿到user和item矩陣之後，對這兩個矩陣分別作聚類分析，你可以得到user的簇以及item的簇。這樣的結果會非常有意義，你可以作好友推薦，相似item推薦等等。
在基於內容的演算法中，因為很多資訊之間並不是那麼的相關，把他們都相互計算相似度，會得到很多的0，所以沒有必要。因此可以在計算之前，對整個item做個聚類，然後分別對各簇來做相似度計算。
聚類演算法中，我用過效能最好的也是最簡單的就是k-means。
7、組合演算法
任何乙個演算法都有它獨特的優勢和固有的缺陷，因此單用乙個演算法的web應用很少，往往是將各種演算法組合起來用。
。。。。
組合的方式太多了。
其實做推薦系統，演算法真的很多，這些只是我學到和用到的一點點。在學術界，許多大牛的**和研究方向就是不斷地改進計算速度，精度和提出新的演算法。
推薦系統演算法總結
最近看推薦系統方面的東西也有段日子了，有書，部落格，唯獨沒有看 總感覺 對於工業界來說用處真的不如學校做課題 那麼大，只要知道某個演算法好不好用以及怎麼用就可以了，也不必知道太多的細節和數學推導。但根據乙個好的演算法，產品部門可以設計出很多很酷的產品，讓使用者倍感web應用的人性化。在看書，看大牛們...
推薦系統演算法總結
這個演算法是cf中的一種，也是當今很多大型 都在採用的核心演算法之一。對於 以 amazon 為代表，當然也包括京東那種具有搞笑特色的推薦系統在內 影視類推薦，圖書類推薦，類推薦系統來說，item 的增長速度遠不如 user 的增長速度，而且 item 之間的相似性遠不如 user 之間的相似性那麼...
推薦系統演算法總結
最近看推薦系統方面的東西也有段日子了，有書，部落格，唯獨沒有看 總感覺 對於工業界來說用處真的不如學校做課題 那麼大，只要知道某個演算法好不好用以及怎麼用就可以了，也不必知道太多的細節和數學推導。但根據乙個好的演算法，產品部門可以設計出很多很酷的產品，讓使用者倍感web應用的人性化。在看書，看大牛們...