什么是推荐系统
按照维基百科的定义：
它是一种信息过滤系统，手段是预测用户(user)对物品(item)的评分和偏好。
重新定义推荐系统
它能做什么？
推荐系统可以把那些最终会在用户(user)和物品(item)之间产生的连接提前找出来。
连接：用户与物品有关系就是有连接。
它需要什么？
推荐系统需要已经存在的连接，从已有的连接去预测未来的连接
怎么做？
预测用户的评分和偏好。更抽象的实现方式分类是： - 机器推荐 or 个性化推荐 - 人工推荐 or 编辑推荐 一句话总结推荐系统： 用已有的连接去预测未来用户和物品之间会出现的连接
个性化推荐系统的经典问题
推荐系统的预测问题模式，从达成的连接目标角度区分，有两大类：评分预测和行为预测。
用户给产品施舍的评分数据，叫做显式反馈。各类用户行为，叫做隐式反馈。
评分预测
朴素的思想： 建立一个模型，这个模型会给用户历史上打过分的物品去预测分数，预测分数和实际分数之间会有误差，我们根据这个误差去调整模型参数，目标是让这个误差越来越小，是一个机器学习里面的回归问题。
存在的问题
- 数据不易收集
- 数据质量不能保证
- 评分的分布不稳定
行为预测
推荐系统预测行为方式有很多，常见的有两种： 直接预测行为本身发生的概率，和预测物品的相对排序，也叫做CTR预估，C的原意是Click，但是可以引申到其他任何的用户行为，如收藏、购买。
CTR指：Click Through Rate, 即“点击率”。把每一个推荐给用户的物品按照“会否点击”进行二分类，构建分类模型，预估其中一种分类的概率，就是CTR预估。
行为预测说白了，就是利用隐式反馈你数据预测隐式反馈的发生概率。
公司应该高度重视隐式反馈，原因如下：
- 数据比显式反馈要更加稠密。
- 隐式反馈更代表用户的真实想法。
- 隐式反馈常常和模型的目标函数关联更密切。
推荐系统存在的顽疾
隐藏顽疾是指它们还没有很好的通用的解决方案，而且不容易被重视，分别是：
冷启动问题
推荐系统是数据贪婪型应用，所谓数据贪婪型应用，就是对数据的需求绝无足够的那一天。
新用户或者不活跃用户，以及新物品或展示次数较少的物品，这些用户和物品，由于缺乏相关数据，很是空虚寂寞冷，因此就是冷启动问题的关注对象。
解决方法： 通常是给它加热，想办法引入数据，想办法从已有数据中主动学习(一种半监督学习)
探索与利用问题
行话叫做EE问题，假如我们已经知道了用户的喜好，一般有三种对待方式：
- 全部给他推荐他目前肯定感兴趣的物品。
- 无视他的兴趣，按照其他逻辑给他推荐，如编辑推荐、随机推荐、按时间先后推荐等等
- 大部分给他推荐感兴趣的，小部分去试探新的兴趣
显然第三种是更加科学和持久的，如何平衡大部分和小部分就是Exploit和Explore问题的核心了。 Exploit意为“开采”， 对用户身上已经探明的兴趣加以利用，Explore意为“探索”， 探明用户身上还不知道的兴趣。
安全问题
凡是系统就有漏洞，凡是漏洞就有利可图。推荐系统供给问题：
- 给出不靠谱的推荐结果，影响用户体验并最终影响品牌形象。
- 收集了不靠谱的脏数据，这个影响会一直持续留存在产品中，很难完全消除。
- 损失了产品的商业利益，这个是直接的经济损失。
必须具备的思维模式
要开发一个推荐系统产品，有四个关键的元素需要注意，他们的重要性依次递减，如下:
UI和UE 最先优化的一定是产品的UI和UE，即人机交互设计和用户体验设计。
数据 数据是推荐系统的食材，巧妇难为无米之炊。
领域知识 常识和通识。
算法 对算法的常见误会就是：短期高估，长期低估。
目标思维和不确定性思维
目标思维的背后是“量化一切”的价值取向。
确定性思维是对于结果有预期，可以提前推演出来。 不确定性思维是不用因果逻辑严丝合缝地提前推演，而是用概率的眼光去看结果。强调出现一个推荐的可能性。
本文是《推荐系统三十六式》的读书笔记，仅限个人学习，请勿用作商业用途，谢谢。
Note: Cover Picture