《推荐系统实践》-读后感

　　《推荐系统实践》-读后感

　　推荐系统实践推荐系统介绍

　　简介

　　原理

　　活动本地化:45%的用户其活动范围半径不超过10英里，而75%的用户活动半径不超过50英里。

　　马太效应：即所谓强者更强，弱者更弱的效应。底层的冷门产品很难翻身

　　长尾理论：底层的产品蕴藏的价值不亚于二八法则的重点产品

　　应用实例：

　　音乐推荐：

　　社交网络：

　　个性化阅读

　　位置推荐

　　个性化邮件

　　个性化广告

　　评测指标

　　推荐要考虑三方利益：

　　评测指标

　　有些指标是相冲的。追求新颖度，可能会牺牲覆盖率。追求惊喜度，可能会丢失准确度。

　　有时候需要根据网站的属性来调整推荐系统。（比如有些猎奇社交会追求惊喜度。新闻网站当然要更追求准确度，电商网站可能更追求覆盖率）

　　算法介绍

　　各领域的算法分析

　　图书，电子商务，电影（ItemCF）

　　基于人口统计的算法

　　同个年龄段的女生喜欢的东西，比不同年龄段甚至不同性别的人喜欢的东西，更有可能被推荐。

　　好处：

　　坏处

　　基于内容过滤算法

　　用户A喜欢电影A，而电影A是属于“爱情”“浪漫”类型的，那就给他继续推荐该类型的其他电影。

　　好处

　　坏处

　　UserCF-基于用户的协同过滤算法

　　用户A，B，C中，用户A与C的喜好情况最为相似（都喜欢物品A、C），那么就会将用户C喜欢的但用户A没看过的物品D推荐给用户A

　　特点：

　　算法详细说明

　　给用户推荐他们的好友在亚马逊上喜欢的物品.。UserCF的推荐更社会化，反映了用户所在的小型兴趣群体中物品的热门程度

　　如果你做UserCF算法时，参考了越多的兴趣相似的其他用户，你得到的推荐列表的结果将越来越接近全局的热门产品。（随着流行度的增加，覆盖率会降低。UserCF越来越倾向于推荐热门产品，从而对长尾产品的推荐越来越少）

　　对于热门产品大部分用户都会兴趣相同，如果两个用户对冷门产品采取过同样的行为才更能说明他们兴趣的相似度。

　　ItemCF-基于物品的协同过滤算法

　　用户A、C都喜欢物品A，而用户A还喜欢物品C，且物品C与物品A相似，故而就会给用户A推荐物品C。

　　特点：

　　LFM-隐含语义算法：GBM-基于图的模型

　　算法介绍及推荐

　　【学习笔记02】推荐系统--经典算法（基于内容、协同过滤、混合等）

　　算法及用户行为