学习目标

要求：

了解推荐算法的基本概念

掌握推荐算法的类别

掌握基于协调过滤的推荐算法

了解其他常见的推荐算法

---

基本概念

推荐算法是一种基于用户行为、偏好、物品特征等数据，通过特定的数学模型和计算方法，为用户提供个性化物品推荐的技术。

其目的是在信息过载的情况下，帮助用户更高效地发现感兴趣的物品，同时也能帮助商家或平台提高用户的参与度和转化率。

类别

1. 基于内容的推荐算法：

根据物品的内容特征（如文本描述、标签、属性等）来计算物品之间的相似度，为用户推荐与他们之前喜欢的物品在内容上相似的其他物品。

1. 协同过滤算法：

利用用户与物品的交互数据（如评分、点击、购买等），找到与目标用户兴趣相似的其他用户（邻居），或者找到与目标物品相似的其他物品，然后基于邻居的行为或相似物品的信息为目标用户进行推荐。

1. 基于图结构的推荐算法

利用图模型来进行推荐的方法，它将用户和物品表示为图中的节点，通过分析图中节点之间的关系来生成推荐结果。

1. 混合推荐算法：

将多种不同的推荐算法进行组合，综合利用它们的优势，以提高推荐的准确性和多样性。

---

基于协调过滤的推荐算法

协同过滤算法主要基于用户行为数据，如用户对物品的评分、点击、购买等操作，发现用户之间或物品之间的相似性，然后利用这些相似性为用户提供个性化推荐。

其核心假设是：过去行为相似的用户，在未来对物品的偏好也可能相似；或者用户对相似物品的偏好具有一致性。

基于协调过滤的推荐算法，可分为 基于用户的协调过滤 和 基于内容的协调过滤。

关键步骤：

	基于用户的协同过滤	基于物品的协同过滤
数据收集	收集用户对物品的显式评分数据（如用户对电影的打分）或隐式行为数据（如用户的浏览记录、购买记录等）
相似度计算	常用欧氏距离、余弦相似度、皮尔逊相关系数等计算用户之间的相似度，如余弦相似度通过计算两个用户评分向量夹角余弦值衡量相似程度，夹角越小，余弦值越大，用户越相似	常用杰卡德相似系数等，根据用户对不同物品的共同评分情况计算物品之间的相似性，如物品 A 和 B 的杰卡德相似系数等于同时喜欢 A 和 B 的用户数量除以喜欢 A 或 B 的用户总数
邻居选择	依据相似度结果，选与目标用户相似度高的若干用户作为邻居	为目标物品找与其相似度高的若干物品作为邻居
推荐生成	根据邻居用户对物品的评分或偏好，为目标用户推荐邻居喜欢但目标用户未接触的物品，按评分预测值或推荐得分排序	当用户对某物品感兴趣时，依据相似物品的流行度、用户对相似物品的历史评分等，推荐与其相似的其他物品
优点	1. 不需要对物品进行内容分析，适用于文本、图像、音频等各种类型物品，只要有用户行为数据即可推荐 2. 能够发现用户的潜在兴趣，为用户推荐新颖物品 3. 具有较好的个性化推荐效果，能根据用户独特行为模式进行个性化推荐，推荐结果更符合个人偏好	1.准确性较高：基于用户对物品的实际行为数据计算相似度，能较好地捕捉物品之间的真实关联，推荐结果相对准确。 2.推荐结果可解释性强：用户容易理解推荐的物品与自己已喜欢的物品之间的关系。 3.稳定性较好：物品的特征相对稳定，不像用户的兴趣可能会频繁变化，基于物品的协同过滤算法在不同时间点的推荐结果相对稳定，不会出现较大波动。
缺点	1. 数据稀疏性问题：实际中用户行为数据稀疏，大部分用户只对小部分物品评分或操作，导致相似度计算不准确，影响推荐效果 2. 冷启动问题：新用户或新物品因缺乏足够行为数据，难以计算与其他用户或物品的相似度，无法有效推荐 3. 可解释性相对较差：用户难以理解推荐某些物品的原因，可解释性不如基于内容的推荐算法	1.数据稀疏性问题：同基于用户的协同过滤一样，在实际应用中，用户行为数据往往是稀疏的，这会导致物品之间的相似度计算不准确，影响推荐效果。 2.冷启动问题：对于新物品，由于没有足够的用户行为数据，难以计算其与其他物品的相似度，从而无法进行有效的推荐。需要采用一些额外的策略来处理新物品，如基于物品的内容特征进行初步推荐或利用热门物品进行关联推荐。 3.缺乏个性化：虽然是基于用户的行为数据进行推荐，但该算法主要关注物品之间的相似性，对于用户的个性化特征挖掘不够深入。不同用户可能对相同的物品有不同的偏好原因，但算法难以区分这些差异，可能会为不同用户推荐相同的物品列表，而忽略了用户的独特需求。

计算相似度的方法：

1. 欧式距离
2. 余弦相似度
3. 皮尔逊相关系数
4. 杰卡德相似系数

---

其他常见的推荐算法

基于图结构的推荐算法：

原理
将用户 - 物品的交互数据构建成一个二分图，图中的节点分为用户节点和物品节点，边表示用户与物品之间的交互关系，如用户对物品的评分、购买、浏览等行为。通过在这个图结构上进行分析和计算，挖掘出用户与物品之间的潜在关联，从而为用户推荐可能感兴趣的物品。

关键步骤

1. 图构建：根据用户 - 物品的交互数据，创建用户 - 物品二分图。每个用户和物品都对应图中的一个节点，当用户与物品之间存在交互时，就在相应的用户节点和物品节点之间建立一条边。边的权重可以根据交互的强度来设置，例如用户的评分高低、购买次数等。
2. 节点嵌入：将图中的节点（用户和物品）映射到低维向量空间中，以便于计算机进行处理和分析。常用的方法有基于深度学习的图嵌入算法，如 DeepWalk、Node2Vec 等。这些算法通过在图上进行随机游走，生成节点的序列，然后利用自然语言处理中的词向量模型（如 Word2Vec）来学习节点的向量表示。
3. 相似度计算：在得到用户和物品的向量表示后，可以使用各种相似度度量方法来计算用户与物品之间的相似度，如余弦相似度、欧式距离等。相似度越高，表示用户对该物品的潜在兴趣越大。
4. 推荐生成：根据用户与物品的相似度，为每个用户生成一个推荐列表。通常会选择相似度较高的若干物品作为推荐结果，并按照相似度得分进行排序。

优缺点

优点	缺点
能够捕捉复杂关系：图结构可以很好地表示用户与物品之间的复杂交互关系，以及物品之间的关联关系，从而更全面地挖掘用户的兴趣和偏好。 可扩展性强：可以方便地融入其他信息，如用户的属性信息、物品的内容信息等，通过将这些信息也表示为图中的节点和边，进一步丰富图的结构，提高推荐的准确性。 适应性好：对于不同类型的数据和应用场景具有较好的适应性，无论是评分数据、行为数据还是其他类型的数据，都可以通过合适的方式构建图结构并进行推荐。	计算性能：图构建、节点嵌入及相似度计算计算量大，处理大规模数据时算法效率低、系统响应慢 可解释性：模型内部计算复杂，虽图结构直观，但推荐结果解释性不如简单算法，用户难理解推荐原因 数据适配： 存在数据稀疏问题，用户 - 物品交互数据稀疏使节点连接少，影响节点嵌入与相似度计算，降低推荐效果

基于关联规则的推荐算法：

通过分析用户行为数据，发现物品之间的关联规则，例如 “购买了商品 A 的用户通常也会购买商品 B”，然后根据这些规则为用户进行推荐。

基于模型的推荐算法：

利用机器学习或深度学习模型，如矩阵分解、神经网络等，对用户和物品的数据进行建模，学习用户的偏好模式和物品的特征表示，从而进行推荐。以矩阵分解为例，它将用户 - 物品评分矩阵分解为用户特征矩阵和物品特征矩阵，通过这两个矩阵的乘积来预测用户对未评分物品的评分，进而进行推荐。

基于知识的推荐算法：

利用关于用户和物品的领域知识、本体知识等来进行推荐。例如，根据用户的年龄、性别、职业等信息以及物品的功能、适用场景等知识，为用户推荐合适的物品。