什么是推荐系统以及应用场景

文章目录

1.1什么是推荐系统？
1.2案例引入
1.3为什么使用推荐系统
1.4推荐系统用途和使用场景
1.5推荐系统的应用场景
1.6混合的推荐机制(重要)

1.1什么是推荐系统？

想买啤酒，通过附近的便利店，通过比较几个牌子的口碑或者价格找到自己喜欢的，扫码付款。如果你很宅，你可以打开京东或天猫超市输入啤酒关键字，然后会看到一大堆关于啤酒的商品，找到喜欢的品牌下单、付款然后等待送货上门。
　　上述都是用户在有明确需求的情况下，面对信息过载的时候所采用的措施。如果用户没有明确的需求？比如你今天很无聊，想下载一部电影，但是你面对如此之多的电影，你会手足无措，不知道该看哪一部。此时你遇到了信息过载的问题，需要一个人或工具帮助你完成筛选，如果你有一个好朋友你可以询问他，
　　不过，总不能时时刻刻都去麻烦“专家”给你推荐，你需要的是一个自动化工具，这个工具就是个性化推荐系统。是在面对用户信息过载的情况下或者在用户没有明确购买信息的情况下，通过程序或工具自动化实现商品和服务的自动推荐过程。(而不依赖于外部专家)

1.2案例引入

我们一天会看到多达20M左右的文字信息，会听到600mb左右的声音信息，每秒会看到2MB左右的图像信息。
　　每天有10W左右的新闻报道。
　　每秒钟优酷土豆爱奇艺都会多出长达几百小时的视频
　　淘宝天猫京东亚马逊当当一天上架上百万商品。
　　【微博】大家在使用微博过程中，每天都有大量的微博被创作和转发，信息量的爆炸式增长在给用户不断带来新的信息的同时，也增加了用户筛选信息的难度，为了能够为用户推荐其感兴趣的信息，我们首先分析该用户的兴趣，从海量信息中选择出与用户兴趣相似的信息，并将这些信息推荐给用户。
　　推荐系统正是在这样的背景下被提出的，推荐算法根据用户的历史行为，挖掘出用户的喜好，并为用户推荐与其喜好相符的商品或者信息。
　　推荐系统的任务就是能够连接信息与用户，帮助用户找到其感兴趣的信息，同时让一些有价值的信息能够到达潜在的用户中。

1.3为什么使用推荐系统

随着互联网行业的发展，信息量也在以几何倍数式爆发增长。垃圾信息越来越多，导致用户获取有价值信息的成本大大增加。由于信息的爆炸式增长，对信息获取的有效性，针对性的需求也就自然出现了。面对信息过载，推荐系统应运而生。
　　其实我们每天都在无意识的接触推荐系统。
　　
我们针对信息过载的问题，寻求了很多的思路，最初是的就是上述提到的搜索引擎和分类导航页，但是搜索引擎能做的是共性的推荐，有时候不愿意去想一些搜索词，希望系统自动挖掘自己的兴趣点，更希望各大网站和系统给我们surprise。

1.4推荐系统用途和使用场景

我们通过推荐算法帮我们推荐很可能感兴趣的文章、视频、音频等内容。

推荐系统利用用户数据来发现规律：
　　促进厂商商品销售，帮助用户找到想要的商品
　　推荐系统无处不在，体现在生活的各个方面
　图书推荐；QQ好友推荐；优酷，爱奇艺的视频推荐；豆瓣的音乐推荐；大点评的餐饮推荐；世纪佳缘的相亲推荐；智联招聘的职业推荐。
　亚马逊的推荐系统深入到网站的各类商品，为亚马逊带来了至少30%的销售额。

1.5推荐系统的应用场景

Amazon 利用可以记录的所有用户在站点上的行为，根据不同数据的特点对它们进行处理，并分成不同区为用户推送推荐：

今日推荐 (Today’s Recommendation For You): 通常是根据用户的近期的历史购买或者查看记录，并结合时下流行的物品给出一个折中的推荐。
新产品的推荐 (New For You): 采用了基于内容的推荐机制 (Content-based Recommendation)，将一些新到物品推荐给用户。在方法选择上由于新物品没有大量的用户喜好信息，所以基于内容的推荐能很好的解决这个“冷启动”的问题。
捆绑销售 (Frequently Bought Together): 采用数据挖掘技术对用户的购买行为进行分析，找到经常被一起或同一个人购买的物品集，进行捆绑销售，这是一种典型的基于项目的协同过滤推荐机制。
别人购买 / 浏览的商品 (Customers Who Bought/See This Item Also Bought/See): 这也是一个典型的基于项目的协同过滤推荐的应用，通过社会化机制用户能更快更方便的找到自己感兴趣的物品。

一起看推荐系统的基本原理(课堂演示)：

1.6混合的推荐机制(重要)

在现行的 Web 站点上的推荐往往都不是单纯只采用了某一种推荐的机制和策略，他们往往是将多个方法混合在一起，从而达到更好的推荐效果。关于如何组合各个推荐机制，这里讲几种比较流行的组合方法。

加权的混合（Weighted Hybridization）: 用线性公式（linear formula）将几种不同的推荐按照一定权重组合起来，具体权重的值需要在测试数据集上反复实验，从而达到最好的推荐效果。
切换的混合（Switching Hybridization）：前面也讲到，其实对于不同的情况（数据量，系统运行状况，用户和物品的数目等），推荐策略可能有很大的不同，那么切换的混合方式，就是允许在不同的情况下，选择最为合适的推荐机制计算推荐。
分区的混合（Mixed Hybridization）：采用多种推荐机制，并将不同的推荐结果分不同的区显示给用户。其实，Amazon，当当网等很多电子商务网站都是采用这样的方式，用户可以得到很全面的推荐，也更容易找到他们想要的东西。
分层的混合（Meta-Level Hybridization）: 采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐。

后续更新推荐系统方法