推薦系統是資訊過載所採用的措施，面對海量的資料資訊，從中快速推薦出符合使用者特點的物品。解決一些人的「選擇恐懼症」；面向沒有明確需求的人。
• 解決如何從大量資訊中找到自己感興趣的資訊。
• 解決如何讓自己生產的資訊脫穎而出，受到大眾的喜愛
• 讓使用者更快更好的獲取到自己需要的內容
• 讓內容更快更好的推送到喜歡它的使用者手中
• 讓**（平台）更有效的保留使用者資源
• 利用使用者和物品的特徵資訊，給使用者推薦那些具有使用者喜歡的特徵的物品。
• 利用使用者喜歡過的物品，給使用者推薦與他喜歡過的物品相似的物品。
• 利用和使用者相似的其他使用者，給使用者推薦那些和他們興趣愛好相似的其他使用者喜歡的物品。
• 知你所想，精準推送
– 利用使用者和物品的特徵資訊，給使用者推薦那些具有使用者喜歡的特徵的物品。
• 物以類聚
– 利用使用者喜歡過的物品，給使用者推薦與他喜歡過的物品相似的物品。
• 人以群分
– 利用和使用者相似的其他使用者，給使用者推薦那些和他們興趣愛好相似的其他使用者喜歡的物品。
• 要推薦物品或內容的元資料，例如關鍵字，分類標籤，基因描述等；
• 系統使用者的基本資訊，例如性別，年齡，興趣標籤等
• 使用者的行為資料，可以轉化為對物品或者資訊的偏好，根據應用本身的不同，可能包括使用者對物品的評分，使用者檢視物品的記錄，使用者的購買記錄等。這些使用者的偏好資訊可以分為兩類：
基於人口統計學的推薦
基於內容的推薦
基於協同過濾的推薦
協同過濾（collaborative filtering，cf）
• 基於近鄰的協同過濾
– 基於使用者（user-cf）
– 基於物品（item-cf）
• 基於模型的協同過濾
– 奇異值分解（svd）
– 潛在語義分析（lsa）
– 支撐向量機（svm）
基於使用者的協同過濾
基於物品的協同過濾
混合推薦
•加權混合
– 用線性公式（linear formula）將幾種不同的推薦按照一定權重組合起來，具體權重的值需要在測試資料集上反覆實驗，從而達到最好的推薦效果
•切換混合
– 切換的混合方式，就是允許在不同的情況（資料量，系統執行狀況，使用者和物品的數目等）下，選擇最為合適的推薦機制計算推薦
•分割槽混合
– 採用多種推薦機制，並將不同的推薦結果分不同的區顯示給使用者
•分層混合
– 採用多種推薦機制，並將乙個推薦機制的結果作為另乙個的輸入，從而綜合各個推薦機制的優缺點，得到更加準確的推薦
推薦系統實驗方法
• 離線實驗
– 通過體制系統獲得使用者行為資料，並按照一定格式生成乙個標準的資料集
– 將資料集按照一定的規則分成訓練集和測試集
– 在訓練集上訓練使用者興趣模型，在測試集上進行**
– 通過事先定義的離線指標評測演算法在測試集上的**結果
• 使用者調查
– 使用者調查需要有一些真實使用者，讓他們在需要測試的推薦系統上完成一些任務；我們需要記錄
他們的行為，並讓他們回答一些問題；最後進行分析
– ab測試
推薦系統評測指標
• **準確度
• 使用者滿意度
• 覆蓋率
• 多樣性
• 驚喜度
• 信任度
• 實時性
• 健壯性
• 商業目標
推薦準確度評測
• 評分**
– 很多**都有讓使用者給物品打分的功能，如果知道使用者對物品的歷史評分，就可以從中學習乙個興趣模型，從而**使用者對新物品的評分
– 評分**的準確度一般用均方根誤差（rmse）或平均絕對誤差（mae）計算
• top-n推薦
– top-n推薦的**準確率一般用精確率（precision）和召回率（recall）來度量
準確率、精確率和召回率
推薦系統簡介
社交網路 個性化閱讀 基於位置的服務 個性化郵件 離線實驗 步驟 通過日誌系統獲得使用者行為資料，並按照一定格式生成乙個標準的資料集 將資料集按照一定的規則分成訓練集和測試集 在訓練集上訓練使用者興趣模型，在測試集上進行 通過事先定義的離線指標評測演算法在測試集上的 結果。優點 不需要有對實際系統的...
推薦系統簡介
當使用者並不明確自己可能需要某些商品的時候，搜尋引擎的作用開始不那麼明顯，於是就需要推薦引擎來為使用者進行可能感興趣商品的推薦。如圖，推薦系統可以看作是乙個黑盒子，把使用者以及商品的一些資訊 作為輸入，它就能給相關使用者推薦他們可能會感興趣的商品。1.根據物件導向的不同 2.根據不同的資料來源 3....
推薦系統 簡介
一.簡介 推薦系統本質上是銷售系統的一部分。為了解決資訊過載和使用者無明確需求的問題，找到使用者感興趣物品，才有了個性化推薦。二.組成 推薦系統廣泛存在於各類 中，一般由三部分組成 基礎資料 推薦演算法系統 前台展示。基礎資料報括很多維度，包括使用者的訪問 瀏覽 下單 收藏，使用者的歷史訂單資訊，評...