推荐系统概述
推荐系统调研报告及综述
推荐系统调研报告及综述张永锋清华大学计算机系人工智能研究所zhangyf07@一、推荐系统概述1.1 什么是推荐系统推荐系统(Recommender System)的发展已经经历了近20年的时间，但是迄今为止仍没有人试图对推荐系统给出一个精确的定义。
广义上的推荐系统可以理解为是主动向用户推荐物品(Item)的系统，所推荐的物品可以是音乐、书籍、餐厅、活动、股票、数码产品、新闻条目等等，这依赖于具体的应用领域，推荐系统所推荐的物品或者对用户有帮助，或者用户可能感兴趣[1]。
随着电子商务规模的不断扩大，商品数量和种类不断增长，用户对于检索和推荐提出了更高的要求。
由于不同用户在兴趣爱好、关注领域、个人经历等方面的不同，以满足不同用户的不同推荐需求为目的、不同人可以获得不同推荐为重要特征的个性化推荐系统(Personalized Recommender System)应运而生[1]。
目前所说的推荐系统一般指个性化推荐系统。
1.2 推荐系统的发展历史如果追根溯源，推荐系统的初端可以追溯到函数逼近理论、信息检索、预测理论等诸多学科中的一些延伸研究。
推荐系统成为一个相对独立的研究方向一般被认为始自1994年明尼苏达大学GroupLens研究组推出的GroupLens系统[2]。
该系统有两大重要贡献：一是首次提出了基于协同过滤(Collaborative Filtering)来完成推荐任务的思想，二是为推荐问题建立了一个形式化的模型(见1.4)。
基于该模型的协同过滤推荐引领了之后推荐系统在今后十几年的发展方向。
GroupLens所提出的推荐算法实际上就是目前人们时常提及的基于用户的协同过滤推荐算法(User-based Collaborative Filtering Algorithms)，虽然论文本身并没有使用这样一个名字。
在之后的十几年中，其它一些著名的协同过滤算法逐渐被提出，主要的有基于物品的协同过滤算法(Item-based Collaborative Filtering Algorithms)[3]，基于矩阵分解的协同过滤算法(SVD-based/NMF-based, etc.)等等。
【推荐系统篇】--推荐系统介绍和基本架构流程
【推荐系统篇】--推荐系统介绍和基本架构流程⼀、前述推荐系统是企业中常⽤的技术，所以系统的掌握推荐系统的知识是很有必要的。
本专栏主要讲述⼿机APP下载的项⽬。
常⽤的推荐⽅法有两个，分别是基于物品的推荐和基于⽤户的推荐。
基于⽤户的推荐原理是：跟你喜好相似的⼈喜欢的东西你也很有可能喜欢（userBaseCF）。
基于物品的推荐原理是：跟你喜欢的东西类似的东西你也可能喜欢（itemBaseCF）。
我们这⾥⽤到的是itembaseCF，本质是依据特征找⽤户喜好规律。
显式的⽤户反馈：这类是⽤户在⽹站上⾃然浏览或者使⽤⽹站以外，显式的提供反馈信息，例如⽤户对物品的评分，或者对物品的评论。
隐式的⽤户反馈：这类是⽤户在使⽤⽹站时产⽣的数据，隐式的反应了⽤户对物品的喜好，例如⽤户购买了某物品，⽤户查看了某物品的信息等等。
本项⽬基于隐式的⽤户反馈。
⼆、协同过滤算法详述结论：对于⽤户A，根据⽤户的历史偏好，这⾥只计算得出⼀个邻居⽤户C，然后将⽤户C喜欢的物品D推荐给⽤户A结论：基于⽤户的推荐（长虚线）---1和5⽐较相似，5买了104商品，所以把104推荐给⽤户1。
基于物品的推荐（短虚线）---101物品和104物品⽐较相似，所以当⽤户买了101，把104也推荐给他。
三、lambda架构（所有推荐系统的⽗架构）四、本⽂系统架构lmbda架构（⼿机APP下载）解释：1.选⽤逻辑回归算法原因是⽤户要么下载，要么不下载。
2.⽣成特征索引（实际上是⼀个⽂本⽂件）的原因是格式化测试数据，也是相当于降维，当⼀个userId进来时找到推荐服务，然后通过服务路由去查找HBase中的数据，并根据特征索引来取对应的特征，所以这⼀步相当于⼀个降维。
线上架构（测试集架构）：关联特征：保存的是同现矩阵。
流程：核⼼思想（计算⽤户对所有APP（除去历史下载部分）的评分，按分值排序，然后取topn）问题：五、需求分析（架构推荐⽅案）1、数据清洗（得到训练数据）2、算法建模（得到模型结果）3、模型使⽤（得到推荐结果）4、结果评估（推荐结果评估）。
推荐系统简介
推荐系统简介一、什么是推荐系统在如今的信息爆炸时代，人们面临的信息过载问题日益突出。
推荐系统应运而生，帮助用户从海量的信息中找到个性化的、感兴趣的内容。
简单来说，推荐系统就是通过分析用户的历史行为和偏好，给出个性化的推荐，提高用户体验。
二、推荐系统的应用领域推荐系统的应用广泛，涉及电子商务、社交媒体、新闻资讯等各个领域。
在电子商务中，推荐系统可以根据用户的购买记录和浏览行为，给出个性化的商品推荐，提高购物体验。
在社交媒体中，推荐系统可以根据用户的好友关系和兴趣爱好，推荐适合的内容和用户。
在新闻资讯领域，推荐系统可以根据用户的阅读习惯和兴趣，推荐相关的新闻文章。
三、推荐系统的基本原理推荐系统的基本原理是通过收集和分析用户的行为数据，建立用户模型和物品模型，然后通过匹配用户模型和物品模型，给出个性化的推荐。
具体来说，推荐系统可以采用基于内容的推荐、协同过滤推荐和混合推荐等方法。
基于内容的推荐方法主要是根据物品的特征和用户的偏好，将物品和用户进行匹配。
例如，在电子商务中，根据商品的属性和用户的购买历史，推荐相关的商品。
协同过滤推荐方法是利用用户的历史行为和其他用户的反馈信息，将用户和物品进行匹配。
基于用户的协同过滤是找出和目标用户兴趣相似的其他用户，根据这些用户的行为给出推荐；而基于物品的协同过滤是找出和目标物品相似的其他物品，然后将这些物品推荐给用户。
混合推荐则是将多种推荐方法结合起来，通过加权或者组合的方式给出最终的推荐结果。
四、推荐系统的挑战和发展方向推荐系统虽然已经在各个领域得到广泛应用，但仍然面临一些挑战。
首先，数据稀疏性是推荐系统的一个难题，因为用户的行为数据往往是不完整和不准确的。
其次，推荐系统还需要考虑用户的隐私和安全问题，以保护用户的个人信息不被滥用。
此外，推荐系统还需要解决推荐的多样性和长尾问题，即如何给用户推荐新颖的、多样化的内容。
未来，推荐系统会朝着更加个性化、精准化的方向发展。
推荐系统综述
推荐系统综述推荐系统综述引言：随着互联网和电子商务的快速发展，推荐系统成为了各个行业中的重要组成部分。
推荐系统通过分析用户的行为和兴趣，为用户提供个性化的推荐，从而提高用户体验和满意度。
本文将综述推荐系统的背景、发展历程、应用领域、算法原理等方面，为读者全面介绍推荐系统的相关知识。
一、背景：随着信息爆炸和信息过载的时代到来，人们面临了获取信息的困境。
传统的信息检索方式往往无法满足用户的个性化需求。
而推荐系统通过对用户行为和兴趣的分析，可以为用户提供个性化的推荐，从而解决了这一问题。
二、推荐系统的发展历程：推荐系统的发展经历了几个重要的阶段。
起初，推荐系统主要采用基于内容的推荐算法，即通过分析物品的内容特征来做出推荐。
然后，协同过滤成为了主流的推荐算法，它通过分析用户的历史行为和其他用户的行为来生成推荐结果。
最近几年，深度学习等技术的兴起使得推荐系统可以更好地提取和利用用户的行为特征，从而进一步提高了推荐的准确度和个性化程度。
三、推荐系统的应用领域：推荐系统广泛应用于各个行业领域。
在电子商务领域，推荐系统可以根据用户的购买历史和浏览行为，为用户推荐相关的商品，提高销售额和用户忠诚度。
在社交媒体领域，推荐系统可以根据用户的兴趣和好友关系，为用户推荐感兴趣的内容和用户。
在音乐和视频领域，推荐系统可以根据用户的偏好和历史播放记录，为用户推荐相关的音乐和视频。
四、推荐系统的算法原理：推荐系统的核心是推荐算法。
推荐算法包括基于内容的推荐算法、协同过滤算法和深度学习算法等。
基于内容的推荐算法通过分析物品的内容特征，为用户推荐与其兴趣相似的物品。
协同过滤算法通过分析用户的历史行为和与其兴趣相似的其他用户的行为，为用户生成推荐结果。
深度学习算法通过建立多层神经网络，提取和利用用户的行为特征，进一步提高了推荐的准确度和个性化程度。
五、推荐系统的挑战与展望：虽然推荐系统取得了很大的进展，但仍然面临一些挑战。
首先，数据稀疏性和冷启动问题限制了推荐系统的效果和覆盖范围。
推荐系统简介(一)
推荐系统简介引言在如今信息爆炸的时代，我们每天都被大量的信息所包围。
无论是在购物网站上寻找适合自己的商品，还是在社交媒体上浏览感兴趣的内容，我们都会面临一个共同的问题：选择。
面对滚滚而来的信息潮流，我们常常感到迷茫和不知所措。
然而，幸运的是，推荐系统的出现为我们解决了这一难题。
什么是推荐系统？推荐系统是一种利用计算机技术和算法，根据用户的行为和偏好，自动地向用户推荐可能感兴趣的内容或商品的系统。
这些内容可能是电影、音乐、书籍、新闻、广告等等。
推荐系统的目标是通过分析用户的历史行为和兴趣，提供个性化、精准的推荐，为用户在海量信息中找到满意的答案。
推荐系统的工作原理推荐系统的工作原理可以简单概括为三个步骤：收集用户数据、分析用户特征、生成推荐结果。
首先，推荐系统需要收集用户的数据，这些数据包括用户对不同内容的点击、收藏、评分等行为。
通过分析这些行为，可以了解用户的偏好、爱好和行为习惯。
然后，推荐系统对用户特征进行分析。
这包括对用户的兴趣偏好进行建模，构建用户的个性化画像。
推荐系统会利用统计学和机器学习等技术，对用户的特征进行分析和挖掘，以了解用户的兴趣和需求。
最后，推荐系统根据用户特征和历史行为，通过算法生成个性化推荐结果。
这些推荐结果会根据用户的兴趣和需求进行排序，最终呈现给用户。
推荐系统可以使用协同过滤、内容过滤、基于规则的推荐等不同的算法来实现个性化推荐。
推荐系统的应用场景推荐系统广泛应用于各个行业，为用户提供个性化的服务和体验。
下面介绍几个典型的应用场景。
电子商务：在电商平台上，推荐系统可以根据用户的购买历史和兴趣，向用户推荐相关的商品。
比如，当用户购买手机时，推荐系统可以推荐相关的手机配件或同类型的其他手机。
社交媒体：社交媒体上，推荐系统可以根据用户的好友关系和兴趣，向用户推荐感兴趣的内容和用户。
比如，在微博上，推荐系统可以根据用户的关注列表和历史浏览记录，推荐相关的新闻和博文。
视频网站：在视频网站上，推荐系统可以根据用户的观看历史和兴趣，向用户推荐相关的电影、剧集或视频创作者。
推荐系统综述
推荐系统综述随着互联网的迅速发展，人们面对的信息越来越多，选择的难度也越来越大。
而推荐系统的出现，为用户提供了个性化、准确的信息推荐，帮助用户更好地进行决策。
本文将综述推荐系统的基本原理、应用领域和发展趋势。
一、基本原理推荐系统是通过分析用户的历史数据、行为和偏好，为用户提供个性化的推荐。
其基本原理包括数据采集、特征提取、相似度计算和推荐算法。
1. 数据采集推荐系统需要大量的用户数据作为基础，其中包括用户的历史行为、浏览记录、评分等。
这些数据可以通过用户注册、调查问卷、网络爬虫等方式获取。
2. 特征提取特征提取是将原始数据转化为有意义的特征向量的过程。
常用的特征包括用户的年龄、性别、地理位置等个人属性，以及用户对商品的评分、点击率等行为特征。
3. 相似度计算相似度计算是衡量用户和物品之间相似程度的指标。
常用的相似度计算方法有余弦相似度、皮尔逊相关系数等。
通过计算用户和物品之间的相似度，可以找到用户可能感兴趣的物品。
4. 推荐算法推荐算法是推荐系统的核心，根据用户的历史行为和特征向量，给出用户可能感兴趣的物品列表。
常用的推荐算法包括基于内容的推荐、协同过滤推荐、深度学习推荐等。
二、应用领域推荐系统已广泛应用于电子商务、社交网络、个性化新闻推荐等领域。
1. 电子商务电子商务是推荐系统最早应用的领域之一。
通过分析用户的购买记录、浏览历史等信息，推荐系统可以为用户提供个性化的商品推荐，增加用户购买的可能性。
2. 社交网络社交网络中存在大量用户生成的内容，推荐系统可以通过分析用户的社交关系、兴趣爱好等信息，为用户推荐感兴趣的文章、照片、视频等。
3. 个性化新闻推荐随着新闻来源和内容的爆炸式增长，用户往往面临信息过载的问题。
推荐系统可以根据用户的阅读历史、偏好等，过滤和推荐用户可能感兴趣的新闻内容，提高用户的阅读体验。
三、发展趋势随着互联网和人工智能的发展，推荐系统正呈现出以下几个发展趋势。
1. 深度学习在推荐系统中的应用深度学习技术具有强大的模式识别和特征提取能力，可以更精确地挖掘用户的兴趣和推荐物品。
推荐系统概述
推荐系统概述⼀、什么是推荐系统 推荐系统：通过分析⽤户的历史⾏为记录来了解⽤户的喜好，从⽽主动为⽤户推荐其感兴趣的信息，满⾜⽤户的个性化推荐需求 推荐系统是⾃动联系⽤户和物品的⼀种⼯具，和搜索引擎相⽐，推荐系统通过研究⽤户的兴趣偏好，进⾏个性化计算。
推荐系统可发现⽤户的兴趣点，帮助⽤户从海量信息中去发掘⾃⼰潜在的需求⼆、长尾理论 “长尾”⽤来描述电⼦商务⽹站的商业模式和经济模式。
长尾理论：普通产品和冷门产品所共同占据的市场份额可以和那些少数热销产品所占据的市场份额相匹敌甚⾄更⼤ 因此，可以通过发掘长尾商品并推荐给感兴趣的⽤户来提⾼销售额。
这需要通过个性化推荐来实现 推荐系统可以创造全新的商业和经济模式，帮助实现长尾商品的销售。
推荐系统和长尾理论结合，可使得⽤户和商家共赢(⽤于得到感兴趣的商品，商家扩⼤了销售)三、推荐⽅法 推荐系统的本质是建⽴⽤户与物品的联系，根据推荐算法的不同，推荐⽅法包括如下⼏类： 1、专家推荐：⼈⼯推荐，由资深的专业⼈⼠来进⾏物品的筛选和推荐，需要较多的⼈⼒成本 2、基于统计的推荐：基于统计信息的推荐（如热门推荐），易于实现，但对⽤户个性化偏好的描述能⼒较弱 3、基于内容的推荐：通过机器学习的⽅法去描述内容的特征，并基于内容的特征来发现相似的内容 4、协同过滤推荐：利⽤与⽬标⽤户相似的⽤户已有的商品评价信息，来预测⽬标⽤户对特定商品的喜好程度。
是应⽤最早和最为成功的推荐⽅法之⼀。
5、混合推荐：结合多种推荐算法来提升推荐效果四、推荐系统模型 ⼀个完整的推荐系统通常包括3个组成模块：⽤户建模模块、推荐对象建模模块、推荐算法模块： 1、⽤户建模模块：对⽤户进⾏建模，根据⽤户⾏为数据和属性数据来分析⽤户的兴趣和需求 2、推荐对象(物品)建模模块：根据对象数据对推荐对象进⾏建模。
推荐对象即被推荐的物品，包括实物和虚拟物品。
3、推荐算法模块：基于⽤户特征和物品特征，采⽤推荐算法计算得到⽤户可能感兴趣的对象，并根据推荐场景对推荐结果(物品)进⾏⼀定调整，将推荐结果最终展⽰给⽤户五、推荐系统的应⽤ ⽬前推荐系统已⼴泛应⽤于电⼦商务、在线视频、在线⾳乐、社交⽹络等各类⽹站和应⽤中。
推荐系统研究综述
推荐系统研究综述推荐系统是当下信息技术领域中备受关注的一个研究方向，它主要应用于电子商务、社交网络、电影音乐推荐等各个领域。
随着互联网和人工智能技术的发展，推荐系统正不断地得到改进和完善。
本文将从推荐系统的基本原理、发展历程、主要技术和未来发展方向等方面进行综述，以期为相关研究和实践提供参考。
一、推荐系统的基本原理推荐系统是基于用户的历史行为数据和物品的属性信息，通过一定的算法模型，为用户提供个性化的推荐结果。
其基本原理是将用户和物品映射到一个特征空间中，然后通过计算用户和物品在特征空间中的相似度或相关度，来进行个性化推荐。
推荐系统一般包括用户建模、物品建模和推荐算法三个部分，其核心问题是如何准确地度量用户和物品之间的关联程度。
用户建模方面，可以通过用户的历史行为数据来捕获用户的兴趣和偏好，如浏览记录、购买记录、评分记录等。
物品建模方面，可以通过物品的属性信息来描述物品的特征，如电影的类型、歌曲的风格等。
推荐算法方面，可以采用协同过滤、内容过滤、深度学习等各种算法模型来实现个性化推荐。
二、推荐系统的发展历程推荐系统的发展历程可以追溯到上世纪90年代初，当时互联网和电子商务开始兴起，人们开始意识到个性化推荐的重要性。
最早的推荐系统是基于内容过滤和协同过滤两种算法模型。
内容过滤是根据物品的内容信息进行推荐，而协同过滤是根据用户的行为数据进行推荐。
这两种算法模型各有优缺点，内容过滤主要受限于特征表示的质量，而协同过滤主要受限于数据稀疏和冷启动问题。
随着互联网和人工智能技术的不断发展，推荐系统开始融合了深度学习、图神经网络、强化学习等最新技术，实现了更加精准的个性化推荐。
推荐系统也逐渐从传统的电子商务领域扩展到了社交网络、在线教育、健康医疗等各个领域，为人们的生活和工作带来了便利。
三、推荐系统的主要技术推荐系统的主要技术包括协同过滤、内容过滤、深度学习、图神经网络、强化学习等。
协同过滤是最常用的推荐算法之一，主要包括基于用户的协同过滤和基于物品的协同过滤两种模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
相对在线实验风险很低，出现情误后很容易弥补
用户调查的缺点
招募测试用户代价较大,很难组织大规模的测试用户,因此会使测试结果的统计意义不足。 在很多时候设计双盲实验非常困难,而且用户在测试环境下的行为和真实环境下的行为可能 有所不同,因而在测试环境下收集的测试指标可能在真实环境下无法重现
6
什么是推荐系统
推荐系统与搜索引擎
个性化
推荐系统能够更好的发掘长尾信息，即
将冷门物品推荐给用户。
热门物品通常代表绝大多数用户的兴趣 ，而冷门物品往往代表一小部分用户的 个性化需求。
如果说搜索引擎体现着马 太效应的 话，那么长尾理论则阐述了推荐系
统发挥的价值。
7
什么是推荐系统
长尾理论与推荐系统
28
推荐系统实验方法
离线实验
离线实验的特点
推荐系统的离线实验都是在数据集上完成的,它不需要实际的系统来供它实验,而只要有一个
从实际系统日志中提取的数据集即可。
这种实处是不需要真实用户参与,可以直接快速地计算出来,从而方便、快速地测试大量不同 的算法主 离线实验的指标和实际的商业指标存在差距,比如预测准确率和用户满意度之间就存大差别 、高预测准确率不等于高用户满意度。
32
推荐系统实验方法
在线实验
AB测试
AB测试是一种很常用的在线评测
算法的实验方法
通过一定的规则将用户随机分成几 组，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 。
33
推荐系统实验方法
在线实验
AB测试的优点
AB测试可以公平获得不同算法实际在线时的性能指标
/
一个重要的研究领域。
9
推荐系统的发展
推荐问题的发展历史
1998年亚马逊（）上线了基于物 品的协同过滤算法，将推荐系统推向服务千万级
用户和处理百万级商品的规模，并能产生质量良
好的推荐。 2003年亚马逊的Linden等人发表论文，公布了 基于物品的协同过滤算法，据统计推荐系统的贡 献率在20%~30%之间。
个性化音乐网络电台
前端特点
不允许点歌
给出用户反馈方式
22
个性化推荐系统的应用
23
个性化推荐系统的应用
个性化阅读
24
个性化推荐系统的应用
基于位置的服务
25
应用场景 4. 社交网络
基于Facebook好友的个性化推荐列表
26
目录
1 2 3 4 5
什么是推荐系统
个性化推荐系统的应用 推荐系统实验方法 推荐系统评测指标 小结
事物；对商家而言，推荐系统可以给用户
提供个性化的服务，提高用户信任度和粘 性，增加营收。
5
什么是推荐系统
推荐系统与搜索引擎
主动化
从用户角度考虑，门户网站和搜索引擎
都是解决信息过载的有效方式，但它们
都需要用户提供明确需求。 推荐系统不需要用户提供明确的需求， 而是通过分析用户和物品的数据，对用 户和物品进行建模，从而主动为用户推 荐他们感兴趣的信息。
预测准确度
评分预测
用户给推荐物品打分的功能
预测用户对物品评分行为称为评分预测
均方根误差（ ui ui u ,iT
|T |
平均绝对误差（MAE)
MAE=
u ,iT
| rui rui |
|T |
39
推荐系统评测指标
预测准确度
TopN推荐
H= p(i) log p(i)
i 1
n
1 n G= (2 j n 1) p(i) n 1 j 1
41
推荐系统评测指标
多样性
为了满足用户广泛的兴趣,推荐列表需要能够覆盖用户不同的兴趣领域,即推荐结 果4
什么是推荐系统
推荐系统
不需要用户提供明确的需求 基本概念
推荐系统就是根据用户的历史行为、社交 关系、兴趣点、所处上下文环境等信息去 判断用户当前需要或感兴趣的物品/服务的 一类应用；
核心任务是联系用户和信息,对用户而言，
推荐系统能帮助用户找到喜欢的物品/服务 ，帮忙进行决策，发现用户可能喜欢的新
已经是第11届。这是推荐系统领域的顶级会议.
2016年，YouTube发表论文，将深度神经网络应用推荐 系统中，实现了从大规模可选的推荐内容中找到最有可能
的推荐结果。
11
个性化推荐系统的应用
基本的推荐方法
向朋友咨询 喜欢的明星
推荐本质是通过一定的方式将用户和物品联系起来
排行榜
分类
10
推荐系统的发展
推荐问题的发展历史
2006 年10月，北美在线视频服务提供商 Netflix 宣布了 一项竞赛，任何人只要能够将它现有电影推荐算法 Cinematch 的预测准确度提高10%，就能获得100万美元 的奖金。该比赛在学术界和工业界引起了较大的关注，极 大地推动了推荐系统的发展。 2007年第一届ACM 推荐系统大会在美国举行，到2017年
27
推荐系统实验方法
离线实验
离线实验的方法一般由如下几个步骤构成
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; 将数据集按照一定的规则分成训练集和测试集; 在训练集上训练用户兴趣模型,在测试集上进行预测; 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。特征选择过程必须确保不丢失 重要特征
这个指标是最重要的推系统离线评测指标标
在计算该指标时需要有一个离线的数据集,该数据集包含用户的历史行为记录
然后,将该数据集通过时间分成训练集和测试集 最后,通过在训练集上建立用户的行为和兴趣模型预测户在测试集上的行为,并
计算预测行为和测试集上实际行为的重合度作为测准确度。
38
推荐系统评测指标
• 需要尽量保证测试用户的分布和真实用户的分布相同，比如男女各半,以及年龄、活跃度的分 布都和真实用户分布尽量相同。 • 用户调查要尽量保证是双盲实验,不要让实验人员和用户事先知道测试的目标,以免用户的回 答和实验人员的测试受主观成分的影响。
31
推荐系统实验方法
用户调查
用户调查的优点
可以获得很多体现用户主观感受的指标,
覆盖率
覆盖率( coverage)描述一个推荐系统对物品长尾的发掘能力 Coverage=
|
uU
R(u) |
|I|
覆盖率有不同的定义方法，最简单的定义为推荐系统能够推荐出来的物品占总 物品集合的比例。 一个好的推荐系统不仅需要有比较的用户满意度,也要有较高的覆盖率
信息熵
基尼系数
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。
35
目录
1 2 3
什么是推荐系统
个性化推荐系统的应用 推荐系统实验方法
4
5
推荐系统评测指标 小结
36
推荐系统评测指标
用户满意度
用户作为推荐系统的重要参与者、其满意度 是评测推荐系统的最重要指标。 用户满意度没有办法离线计算、只能通过用 户调查或者在线实验获得。 用户调查获得用户满意度主要是通过调查问 卷的形式
解决方案
信息过滤系统 搜索引擎，推荐系统
3
什么是推荐系统
搜索引擎
定义
搜索引擎是指根据一定的策略、运用特定 的计算机程序从互联网上搜集信息，在对 信息进行组织和处理后，为用户提供检索 服务，将用户检索相关的信息展示给用户 的系统。
分类目录
Yahoo，Hao123
搜索引擎
推荐的论文都是我非常想看的。 推荐的论文很多我都看过了,确实是符合我兴趣的 不错论文。 推荐的论文和我的研究兴趣是相关的,但我并不喜 欢。 不知道为什么会推荐这些论文,它们和我的兴趣丝 毫没有关系。
37
推荐系统评测指标
预测准确度
预测准确度度量一个推荐系统或者推荐算法预测用户行为的能力
8
推荐系统的发展
推荐问题的发展历史
1994, Minnesota, GroupLens研究组论文
提出“协同过滤”的概念
推荐问题的形式化
影响深远(An Open Architecture)
1997 年 Resnick 等人首次提出推荐系统（ recommender system，RS）一词，自此，推 荐系统一词被广泛引用，并且推荐系统开始成为
29
推荐系统实验方法
用户调查
用户调查背景
如果要准确评测一个算法, 需要相对比较真实的环境。
最好的方法就是将算法直接上线测试,但在对算法会不会降低用户满意度不太有把握的情况
下，上线测试具有较高的风险。 上线测试前一般需要做一次称为用户调查的测试
用户调查过程
用户调查需要有一些真实用户,让他们在需要测试的推荐系统上完成一些任务在他们完成任 务时,观察和记录用户的行为,并让他们回答一些问题。
AB测试的缺点
周期比较长,必须进行长期的实验才能得到可靠的结果 大型网站的AB测试系统的设计也是一项复杂的工程
34
推荐系统实验方法
推荐算法上线过程
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。
给用户的一个个性化推荐列表
TopN推荐使用准确率和召回率度量
准确率（Precision)
Precision= Recall=
uU
|R(u ) T (u ) |