学习随笔，仅记录值得留意的点。

协同过滤的适用领域

PS：适用协同过滤的场景并不一定完全符合下述要求，只是如果下述条件符合会更适合使用CF

数据要求

1、item数量足够多

2、每个item有足够多的评分

3、每个用户对较多数量的item给出了评分。如果一个用户只对一个item进行了评分，那我们就无法获得item之间相关联的信息。

4、用户评分的数量要比item数量大得多。例如当用户评论稀疏时，我们就需要更多用户来弥补这一缺陷；再举个实际例子，谷歌搜索所索引了的网页数量比全球人口还要多，因此用户无法对item（此处为网页）给出足够的评分。当用户数量不足时，推荐系统的推荐置信度就会降低。

用户评分具有长尾特点，即大部分评分都集中到部分item，很多item是缺少评分的。文中提到了这一现象，但没有给出解决方案

潜在假设

1、社区中每个用户都有相似口味的用户

2、item的评价指标是偏个性化的。虽然有时候在个性化推荐时考虑一些客观的评价指标也会有帮助，但是如果可以仅仅使用某种客观的评价指标来评估item，例如搜索引擎，CF并不是很适合。

3、用户对item的兴趣并不会快速发生变化，例如对于书籍、电影和电子产品。一个反面例子是衣服，使用一个用户五年前的数据大概率不能反应他现在的兴趣

对比协同过滤（CF）与基于内容的过滤（CBF）

1、Collaborative filtering 的假设：口味相似的用户会对相同的item有相近的评分；

2、Content-based Filtering 的假设：同一个用户对于具有相似内容的item会给出相近的评分；

3、两者可以互补。协同过滤需要评分数据，因此对新的item无能为力，而基于内容的过滤则可以解决这一问题；然而，有些场景下，item的内容很难获得或者表示出来，例如电影或者音乐。

博主注：现在深度推荐模型中利用side info来解决冷启动的思路其实就类似于基于内容的过滤

4、人们普遍认为，CF对比于CBF更能给出具有多样性、让用户意外但符合用户的潜在需求的item

协同过滤的分类

非概率模型

给定一个user-item的二维评分表，我们需要利用已有的评分数据来预测其中缺失的评分。例如下图中的X（用户3对于Speed的评分）即为需要预测的评分。

1、基于用户的CF：通过评分数据计算用户的相似度，然后使用其他用户对于该item的评分的加权和作为预测，权重即为目标用户与其他用户的相似度。例如上面的例子中，需要使用其他用户对于Speed的评分（分别是4、5、3）来加权求和。

2、基于item的CF：通过评分数据计算item的相似度，然后使用该用户对于其他item的评分的加权和作为预测，权重即为目标item与其他item的相似度。例如上面的例子中，需要使用用户3对于其他item的评分（对《The Matrix》评分为3，对《Sideways》评分为4），即3和4来做加权求和。

PS：基于用户的CF和基于item的CF在定义相似度时都有一些变种，但是这两类方法都已经不是主流，此处不再详细介绍。

但个人感觉值得一提的一个比较有意思的设计思路：

不同用户的评分偏好不同，即有些用户更偏向于给低分，而另外一些用户偏向于给高分。举个例子，平时偏好打低分的用户这次给一部电影打了中等偏上的分数，可能是等价于一个偏好打高分的用户给该电影打了近乎满分的。为了缓和这一现象，计算评分时使用评分减去该用户的平均评分

3、基于关联规则的CF。过时方法，不介绍。

4、基于矩阵分解的CF。值得了解的方法，但不在此处介绍，见其他博文。

概率模型

决策树

一些设计细节

显式评分与隐式评分

显式评分即用户直接给出的打分，例如从1到5的评分。隐式评分指的是能够间接反应用户对于该item的兴趣程度的值，例如用户在浏览一件物品时停留的时间。显示评分更加精确地反映用户的兴趣，但获取成本更高，隐式评分更容易获取，但这些数据的不确定性更大，会导致推荐系统的置信度更低

评分尺度

评分尺度需要适宜，过小的尺度会导致区分度不够大，从而损失部分信息；而过大的尺度（例如从1到100）会导致更大的不确定性，例如你在隔天再问一次，用户可能会给出不一样的数值。

冷启动问题

用户冷启动的解决思路：

1、给用户推荐热门的item而非个性化的item，或者询问偏好（例如喜欢的音乐风格、电影类别），然后推荐该类别的热门item

2、根据用户的基本信息，推荐与其相似的用户喜欢的item

商品冷启动的解决思路：主要是使用基于非协同过滤的方法，例如基于item的内容或者元数据的相似性来进行推荐。

阅读感受

挺旧的一篇文章，大部分东西都过时了，但其中一些思想倒是一直在沿用，例如基于内容来解决冷启动问题。学习经典方法的意义在于领会其中的设计思想，在推荐领域尤其如此。

论文笔记：Collaborative Filtering Recommender Systems相关推荐

【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 16—Recommender Systems 推荐系统...
Lecture 16 Recommender Systems 推荐系统 16.1 问题形式化 Problem Formulation 在机器学习领域,对于一些问题存在一些算法, 能试图自动地替你学习到 ...
【论文笔记】Towards Making Systems Forget with Machine Unlearning
Towards Making Systems Forget with Machine Unlearning 本篇论文的重点算法原理图创新性算法步骤算法举例评估指标和实验结果可能存在的问题 ...
『论文笔记』Are VQA Systems RAD? Measuring Robustness to Augmented Data with Focused Interventions
Are VQA Systems RAD? Measuring Robustness to Augmented Data with Focused Interventions 一句话总结本文提出一个基 ...
【文章翻译+笔记】Towards the Next Generation of Recommender Systems:A Survey of the State-of-the-Art and Pos
Towards the Next Generation of Recommender Systems:A Survey of the State-of-the-Art and Possible Ext ...
[论文阅读笔记17]A Survey on Knowledge Graph-Based Recommender Systems
一,题目 TKDE 2020 A Survey on Knowledge Graph-Based Recommender Systems 综述:基于知识图谱的推荐系统 In IEEE Transact ...
论文笔记：Neural Collaborative Filtering
一.基本信息论文题目:<Neural Collaborative Filtering> 发表时间:WWW 2017 作者及单位: 二.摘要 In recent years, deep n ...
推荐系统论文笔记（1）:Hybrid Recommender Systems:Survey and Experiments
一.基本信息论文题目: <Hybrid Recommender Systems:Survey and Experiments> 论文发表时间: 2002, 论文作者及单位:Robin ...
论文笔记（Neural Collaborative Filtering）
神经协同过滤论文链接:Neural Collaborative Filtering, WWW'17 原理:融合 GMF 和 MLP 1. 摘要虽然最近的一些研究使用深度学习作为推荐,但他们主要是用 ...
论文笔记（Neural Graph Collaborative Filtering）
神经图协同过滤论文链接:Neural Graph Collaborative Filtering, SIGIR'19 原理:在 user-item interaction graph 上使用 GNN ...

论文笔记：Collaborative Filtering Recommender Systems