推荐系统实战

这周看了推荐系统实战这本书，其中基本上介绍的比较全面，但是每一部分并没有十分深入，深入的精华全部都在下方的备注当中，备注中有很多的论文，可以进行进一步的学习。

首先回顾一下一些框架信息，在专门思考其中几个重要的部分：

3种联系用户和item的推荐方式：

1 根据用户的历史行为，表达过反馈的item进行item的预测，传统的itemCF

2 根据用户的历史行为，找到相似用户，进行预测， userCF

3 根据用户的喜好和个人信息，提取用户的特征，喜欢的物品的特征，进行预测。基本上就是建立模型的思路

    用户自身的特征，1 比如年龄，性别，2 用户历史行为，时间和地理位置同样重要 3根据历史行为找到话题模型，喜欢的物品种类（可能涉及topic model）的部分，同时也需要提取物品的特征，比如物品的种类，属性。。。书中介绍到物品冷启动的时候也需要提取物品的特征，比如关键词向量，d= {(e1,w1),(e2,w2)…}表示关键词和权重，权重信息可以利用TF-IDF进行计算。

    在提取了特征信息之后如果是要计算两个物品的相似性，那么表达为特征向量，两个特征向量直接相乘，如果是想直接直接得到预估结果，比如直接根据ctr排序等，那么利用机器学习的模型，进行训练。

一般系统的特征是十分多的，最近做的一个实例大概涉及2000万＋的特征信息，如果一个系统把所有特征都考虑不现实，通过配置文件进行配置很麻烦，一般是多个推荐引擎一起工作，在按照一定的权重和优先级进行组合。

推荐系统的结构：

    一般分为用户的行为特征，从用户日志中进行行为提取，再进行行为特征转换，而对于属性特征，就可以直接根据信息转化为特征向量

B 生成初始化推荐列表

   根据用户的特征，和线下计算完成的 特征－物品 的相关矩阵，进行转化得到相关推荐。 这里一个重点：这里一般会引入一个候选物品集合，也就是需要推荐的物品需要在候选集合当中。

   如果用户对物品a产生了行为，候选列表中b希望被推荐，a比较流行，b不流行，那么，b在a中的相关性计算的分肯定不会靠前（一般也会有抑制流行度的方法），那么topN推荐的时候可能不会有b，推荐的都是不在推荐列表中的物品，那么如果在最后进行简单过滤，可能导致推荐商品会很少，所以在这里，就应该适当根据推荐列表，增加列表中物品的权重信息。

C 过滤模块

    过滤到不满意的物品，比如，用户操作过的，质量很差的。。。

D 排名模块

   1 新颖性  在推荐过程中，对热门的物品进行降权

   2 多样性  对展现过的商品权重衰弱，通过根据用户的历史行为多挖掘主题，进行推荐

   3  时间多样性  系统实时性   商品根据时间因子衰减

其中几个比较重要的点，先简要记录一下，之后对每一个进行深入的介绍：

1 在CF的推荐过程中，一定要注意抑制物品，用户的活跃性因子。同时在计算相关性的时候，注意进行归一化操作 物品总是属于很多的类别，每个类别内部的物品的相似性也是不同的，所以最好类别进行归一化

2 隐语义模型 根据隐含特征联系用户的兴趣和物品，根据用户行为自动聚类 用户u与第k个隐含类的关系＊第k个隐含类和物品i的关系 ，计算量比较大，如果不能先生成候选列表，不适合在实时应用，同时不好对结果进行解释

3 为模型抽样或者生成负样本的时候，尽量保持正负均衡，同时负样本尽量选择热门但是用户没有行为的

4 如何处理实时推荐系统的实时性问题

5 冷启动问题

用户冷启动问题，用户在注册的时候有基本信息，可以根据基本信息对用户分类，同时找到和用户特征f和物品i被具有特征f的用户喜欢的程度进行推荐，也可以在注册的时候先让用户显性地完成一些反馈操作，我记得像微博，lofter等都有这个过程

物品冷启动问题，简单的方法是将物品随机进行展示，那么会收集到一定的信息可以进行处理。最常用的方法是根据物品的内容生成关键词向量，根据关键词向量找到相似的物品，可以类似于CF的方法进行推荐，一般涉及到词语，那么就需要思考到同义词，LDA模型就可能需要

LDA包括3个个元素 文档，话题，词语通过收敛使词语组合为不同的话题，根据物品在话题上的分布，计算物品的相似性。计算分布相似性KL

6 通过给物品打标签，计算物品的标签分布，计算相似性，这里标签类似关键词，在计算权重的时候也可以引入ID-TFD进行优化

7 在做推荐的过程中，注意时间和地理位置的因素，注意一个物体的生命周期，系统的生命周期。在计算系统的时效性的时候，先计算物品的流行度，用物品的平均在线天数进行评估。再计算相邻T天时间，物品的流行度的相似性，获得系统的时效性