主要內容

·推薦系統(tǒng)簡介
·傳統(tǒng)的推薦算法
?? ·非個性化推薦：熱度排行（Popularity）
?? ·協(xié)同過濾（collaborative filtering)
? ? ? ? ? ? ·Memory-based（aka neighborhood-based）方法：Item-based/User-based CF
? ? ? ? ? ? ·Model-based方法：頻繁項集挖掘/聚類/分類/回歸/矩陣分解/RBM/圖模型
?? ·基于內容/知識的推薦（Content-based/Knowledge-based）
?? ·混合方法（Hybird Approaches）
·推薦算法的最新研究
?? ·學習排序（Learning to Rank）
?? ·頁面整體優(yōu)化（Page Optimization）
?? ·情景推薦：張量分解/分解機（Factorization Machine）
?? ·深度學習（Deep Learning）

推薦系統(tǒng)的評價標準
·用戶滿意度（User Satisfaction）：調研或者用戶反饋；點擊率、轉化率等
·準確率（Accuracy）：precision/recall/F-score
·覆蓋率（Coverage）：照顧到尾部物品和用戶
·多樣性（Diversity）：兩兩之間不想死
·新穎性（Novelty）：沒聽過、沒見過的物品
·驚喜性（Serendipity）：如何評價？
·用戶信任度（Trust）/可解釋性（explanation）：推薦理由
·魯棒性/健壯性（Robustness）：哈利波特現(xiàn)象；抗攻擊、反作弊
·實時性（real-time/online)：新加入的物品；新的用戶行為（實時意圖）
·商業(yè)目標（business target）：一個用戶帶來多少盈利

影響推薦效果的因素
·用戶交互界面
?? ·用戶對推薦系統(tǒng)第一感知，很重要
?? ·案例：Teitter的“favorate”圖案由star換成heart
·數(shù)據(jù)
?? ·數(shù)據(jù)收集：有效性、全面性
?? ·數(shù)據(jù)處理：清晰、挖掘（算法工程師值得投入的地方）
·領域知識
?? ·產(chǎn)品定位、具體推薦需求的理解
·算法迭代
?? ·錦上添花（10%~20%）、量變引起質變