推荐系统

推荐系统 Overview

6、什么是推荐系统

7、Exploit&Explore问题

8、推荐系统的评价指标有哪些

9、如果让你推导推荐系统的架构，你会如何设计

10、为什么有些方法在工作中会不work

推荐系统

        推荐系统是一种 信息过滤 系统，根据用户的历史行为、社交关系、兴趣点

        算法可以判断用户当前感兴趣的物品或内容。你也可以将它理解为一家只为你而开的商店。店铺里摆放的都是你需要的，或者适合你的商品。

        亚马逊CEO贝索斯说：如果我们有100万用户，我们将给他们100万个亚马逊网站

        Content-based Filtering

                最早人们使用的是基于内容的推荐方法，根据物品的属性为他们打上标签

                再通过这些标签计算他们之间的相似度

        Collaborative Filtering

                协同过滤就是通过数据找到与你相似的用户，通过他们的行为和他们喜欢的内容。为你推荐你可能感兴趣的物品或内容

                日常生活中，我们也会找到兴趣相同的朋友来帮我们推荐电影或者音乐

在推荐系统中，Using data重在“相似度”，Solve problems在于“推荐”

Thinking：data可以是物品本身的，也可以是基于用户行为的

物品本身：Content-based 基于物品本身的内容，而不是用户购买/浏览物品的行为

用户行为：

显性反馈数据：用户明确表示对物品的喜欢行为：评分，喜欢，收藏，购买

隐性反馈数据：不能明确反映用户喜好的行为：浏览，停留时间，点击

User-based，两个人共同喜欢的东西越多，那么两个人就越相似

Item-based，两个物品共同喜欢的人越多，这两个物品就越相似

如何进行“推荐”

UserCF，和你兴趣相投的用户，推荐他们喜欢的商品

ItemCF，给用户推荐那些和他们之前喜欢的物品相似的物品

（ItemCF不利用物品的内容属性计算物品之间的相似度，主要通过分析用户的行为记录计算物品之间的相似度）

Thinking: 如果没有大量的data怎么办？

=>冷启动问题：

用户冷启动：新用户来的时候，如何推荐

物品冷启动：新的物品，如何推荐

系统冷启动：新的网站上线，如何推荐

Exploit&Explore问题

Thinking：在线广告：如何进行广告投放，收益最大化？

对于固定流量来说，Exploit的这部分流量显然会产生收益，而Explore不一定能立刻就有收益。所以，如何分配E&E流量才能最大化收益呢

Thinking 冷启动问题：对于新用户时，如何通过若干次实验，猜出用户的大致兴趣？

Bandit算法解决冷启动：

如果用户对推荐的某个Topic感兴趣，就代表获得了收益。否则就表示遗憾

“选择-观察-更新-选择”的循环，将收益最大化

通过几次试验，刻画出新用户心中对每个Topic的感兴趣概率

多臂老虎机问题MAB（Multi-armed bandit problem）