《推荐系统实践》__第1章_

1.1 什么是推荐系统

在用户没有明确需求时，帮助他们发现感兴趣的新内容。

推荐算法的本质是通过一定的方式将用户和物品联系起来，而不同的推荐系统利用了不同的方式。

1.2 个性化推荐系统的应用

个性化推荐系统需要依赖用户的行为数据。

尽管不同的网站使用不同的推荐系统技术，但总地来说，几乎所有的推荐系统应用都是由前台的展示页面、后台的日志系统以及推荐算法系统3部分构成。

常见的应用有：电子商务、电影/视频网站、个性化阅读、短视频等。

1.3 推荐系统评测

准确的预测并不代表好的推荐。比如说，该用户早就准备买《C++ Primer中文版》了，无论是否给他推荐，他都准备购买，那么这个推荐结果显然是不好的，因为它并未使用户购买更多的书，而仅仅是方便用户购买一本他本来就准备买的书。那么，对于用户来说，他会觉得这个推荐结果很不新颖，不能令他惊喜。同时，对于《C++ Primer 中文版》的出版社来说，这个推荐也没能增加这本书的潜在购买人数。

所以，好的推荐系统不仅仅能够准确预测用户的行为，而且能够扩展用户的视野，帮助用户发现那些他们可能会感兴趣，但却不那么容易发现的东西。同时，推荐系统还要能够帮助商家，将那些被埋没在长尾中的好商品，介绍给可能会对它们感兴趣的用户。

1.3.1 推荐系统实验方法

三种评测推荐效果的实验方法：离线实验、在线实验和用户反馈

离线实验：

(1) 通过日志系统获得用户行为数据，并按照一定格式生成一个标准的数据集;

(2) 将数据集按照一定的规则分成训练集和测试集;

(3) 在训练集上训练用户兴趣模型，在测试集上进行预测;

(4) 通过事先定义的离线指标评测算法在测试集上的预测结果。

用户调查/反馈：

在线实验：

在完成离线实验和必要的用户调查后，可以将推荐系统上线做AB测试，将它和旧的算法进行比较。

AB测试是一种在线的分组测试方法。并对不同组的用户采用不同的算法，然后通过统计不同组用户的各种不同的评测指标比较不同算法，比如可以统计不同组用户的点击率，通过点击率比较不同算法的性能。

一般来说，一个新的推荐算法最终上线，需要完成上面所说的3个实验。

首先，需要通过离线实验证明它在很多离线指标上优于现有的算法。
然后，需要通过用户调查确定它的用户满意度不低于现有的算法。
最后，通过在线的AB测试确定它在我们关心的指标上优于现有的算法。

1.3.2 评测指标

1. 用户满意度

2. 预测准确度

3. 覆盖率

4. 多样性

5. 新颖性

6. 实时性

1.3.3 评测维度

用户维度：活跃度、新用户等

物品维度：物品属性、新物品、流行度等

时间维度：季节、假期、周末等