1.1什么是推薦系統(tǒng)
用戶利用推薦系統(tǒng)發(fā)現(xiàn)自己感興趣的信息；同時信息制造者用推薦系統(tǒng)將信息展現(xiàn)在對它感興趣的用戶面前。
關(guān)聯(lián)用戶和物品，解決信息過載的問題
tips：
信息過載
不需用戶提供明確的需求
社會化推薦（social recommendation）
基于內(nèi)容的推薦（content-based filtering）
協(xié)同過濾的推薦（collaborative filtering）
1.2推薦系統(tǒng)有那些實例
推薦系統(tǒng) = 前臺的展示頁面 + 后臺的日志系統(tǒng) + 推薦算法系統(tǒng)
電子商務：亞馬遜
FB好友購買過的
和歷史購買相似的
瀏覽過該商品經(jīng)常購買的
購買過該商品經(jīng)常購買的
打包銷售（cross selling）：其他用戶購買該商品時同時也會購買的幾種商品，打包購買提供折扣。
電影和視頻網(wǎng)站：Netflix
推薦要素：視頻標題，縮略圖，視頻的平均分，推薦理由，用戶反饋模塊
個性化音樂網(wǎng)絡電臺：豆瓣FM，Pandora，Last.fm
Pandora：基于內(nèi)容
Last.fm：綜合算法
音樂推薦的特點：
物品空間大
消費每首歌的代價小
物品種類豐富
聽一首歌耗時很短
物品重用率很高
上下文相關(guān)：用戶心情，所處的環(huán)境，時間
次序很重要
播放列表資源
不需要全神貫注
高度社會化：用戶和好友間的相互推薦
社交網(wǎng)絡：Facebook,Twitter
利用用戶的社交網(wǎng)絡信息對用戶進行個性化的物品推薦
信息流的會話推薦
給用戶推薦好友
個性化閱讀：鮮果，zaker，filpboard，zite
基于位置的服務：Foursquare
個性化郵件：Gmail的優(yōu)先級郵箱
區(qū)分郵件的重要程度
個性化廣告：
以廣告為核心，將廣告展現(xiàn)給對其感興趣的用戶。
上下文廣告：通過用戶正在瀏覽的廣告內(nèi)容，投放和網(wǎng)頁相關(guān)的廣告。Google Adsense。
搜索廣告：分析用戶在當前會話中的搜索記錄，判斷用戶的搜索目的，投放和用戶目的相關(guān)的廣告。
個性化展示廣告：根據(jù)用戶的興趣投放不同的展示廣告。
1.3如何對推薦系統(tǒng)做評估
推薦系統(tǒng)的參與方：用戶，推薦內(nèi)容提供方，提供推薦系統(tǒng)的網(wǎng)站。三方受益共贏是評測的依據(jù)。
推薦系統(tǒng)評估指標：
準確度
覆蓋度
新穎度
驚喜度
信任度
透明度
1.3.1 推薦系統(tǒng)實驗方法
離線實驗（offline experiment）：
通過日志系統(tǒng)獲得用戶行為數(shù)據(jù)，生成按一定格式的標準數(shù)據(jù)集
將數(shù)據(jù)集按一定規(guī)則分成訓練集和測試集
在訓練集上訓練用戶興趣模型，在測試集上進行預測
通過事先定義的離線指標評測算法在測試集上的預測結(jié)果
用戶調(diào)查（user study）
真實用戶在需要測試的系統(tǒng)上完成一些任務，觀察并記錄他們的行為，分析他們的行為和答案了解測試系統(tǒng)的性能。
tips：
控制成本，保證結(jié)果的統(tǒng)計意義，選擇合理的測試用戶（保證測試用戶和真實用戶的分布相同）
在線實驗（Online experiment）
AB測試：用戶分組，不同的組加載不同的算法，統(tǒng)計評測指標評估算法效果。
tips：
切分流量：不同層以及控制這些層的團隊需要從一個統(tǒng)一的地方獲得自己AB測試的流量，而不同層的六兩應該是正交的。
一般來說，一個新的推薦系統(tǒng)上線需要完成以上三個實驗：
首先，通過離線試驗證明他很多離線指標優(yōu)于現(xiàn)有算法
然后，通過用戶調(diào)查確定它的用戶滿意度不低于現(xiàn)有算法
最后，在線AB測試確定在關(guān)鍵指標上優(yōu)于現(xiàn)在的算法
1.3.2 評測指標
1. 用戶滿意度
用戶滿意度只能通過在線實驗和用戶調(diào)查獲得。
用戶調(diào)查采取問卷形式，注意問卷設計時考慮到用戶各方面的感受，才能根據(jù)問題給出自己準確的回答
在線實驗主要通過統(tǒng)計用戶行為的方法和設計用戶反饋界面收集用戶滿意度。
2. 預測準確度
預測準確度度量一個推薦系統(tǒng)或者推薦算法預測用戶行為的能力。這個指標是最重要的推薦系統(tǒng)立憲評測指標。
評分預測
各網(wǎng)站的打分功能——得知用戶的打分歷史，習得興趣模型——預測用戶對某內(nèi)容的評分
評分預測的準確度一般通過均方根誤差（RMSE）和平均絕對誤差（MAE）計算。
關(guān)于RMSE和和MAE的優(yōu)缺點。RMSE的系統(tǒng)評測更為嚴苛（平方項）。
TopN推薦
給用戶一個個性化的列表，TopN預測的準確率一般通過準確率（precision）/召回率（recall） 度量。
3. 覆蓋率（coverage）
覆蓋率描述一個推薦系統(tǒng)對物品長尾的發(fā)掘能力。最簡單的定義為推薦系統(tǒng)能夠推薦出的物品占總物品集合的比例。
定義：系統(tǒng)的用戶集合為U，推薦系統(tǒng)給每個用戶推薦一個長度為N的物品列表R(u)。那么覆蓋率可通過下面公式計算：
信息熵
基尼系數(shù)
馬太效應：強者越強，弱者越弱
評測推薦系統(tǒng)是否具有馬太效應的簡單方法就是使用基尼系數(shù)。若G1是從初始用戶行為中計算出的商品流行度基尼系數(shù)，G2是采用推薦算法后計算出的商品流行度基尼系數(shù)。G2 > G1的話，說明推薦算法具有馬太效應。
4. 多樣性
多樣性即推薦結(jié)果需要覆蓋用戶不同的興趣領(lǐng)域。這樣用戶找到自己興趣點的概率就會大很多。
多樣性描述了推薦列表中物品兩兩之間的不相似性。
5. 新穎性
新穎的推薦是指推薦給用戶他們一千年從來沒有聽說過的物品。
如果推薦物品列表的物品平均流行度（熱門程度）低，那么推薦結(jié)果可能就具有新穎度。
tips：
平衡推薦精度和多樣性，新穎度。
6. 驚喜度（serendipity）
驚喜度和新穎度的區(qū)別在于：如果推薦結(jié)果和用戶的歷史興趣不相似，卻讓用戶覺得滿意，那么就可以說推薦的驚喜度很高，而推薦的新穎性僅僅取決于用戶是否聽過這個推薦結(jié)果。
7. 信任度（trust）
度量推薦系統(tǒng)的信任度只能通過問卷調(diào)查的方式，詢問用戶是否信任推薦系統(tǒng)的推薦結(jié)果。
8. 實時性
推薦系統(tǒng)的實時性包括兩個方面。首先，推薦系統(tǒng)需要實時的更新推薦列表來滿足用戶新的行為變化。第二，推薦系統(tǒng)需要能夠?qū)⑿录尤胂到y(tǒng)的物品推薦給用戶。（避免冷啟動）
9. 健壯性（robust）
健壯性衡量了一個推薦系統(tǒng)防作弊的能力。
10. 商業(yè)目標
各個公司的商業(yè)目標不同，推薦系統(tǒng)的設計與評測就會不同。
