社會計算複習 之 REVIEW RECOMMENDER SYSTEMS
什麼是Racommender system
A system which could recommand stuff based on others people did
為什麼要使用推薦系統
在購物網站上，我們有太多的選擇
廣告的種類太多
找到最好的網站
推薦影片和書籍
幫助使用者選擇他們想要的，幫助使用者根據goal做正確的決定
推薦的演算法
基於特徵的推薦演算法 Feature Based （content based）
基於一件事物的特點推薦另一件事物，比如說超人1的電源會推薦超人2
喜歡一個導演就會推薦這個導演的作品；喜歡一個演員就會推薦這個演員的作品
推薦可以給予該使用者對於一件事物的rate， Recommendation based on the commonalities among
the items that a user has rated before
Feature Based 演算法優點
- 不需要複雜的計算就可以離線處理，計算時間少
- 推薦的東西便於解釋
比如說Gmail AD他會根據你的Email分析出你喜歡什麼東西，從而傳送廣告給你
Feature Based 演算法問題
- Overspecialization
- 僅推薦與評級過的東西相似的東西，比如說超人1那麼只會推薦DC的Mavel的電影，然而哈利波特將會無法被推薦
- 特性取決於上下文、和內容的種類
- 沒有小組智慧 No Wisdom from Group
協同過濾演算法 Collaborative filtering
基於其他使用者的評價，或者是基於鄰居或相同或相似的人的意見（Neighboor）
它使用統計學的方法，從而做出對於相似使用者和產品的預測，統計方法有兩種：一種是User to User，一種是item to item
比如說，其他使用者買了這本書的同時也購買了另一本書，所以，也向你推薦另一本書
協同過濾演算法的好處
- Content is irrelevant, 任何內容無關緊要
- 擁有了群組智慧
- 在商業界和學術界最常用adopted and studied
協同過濾演算法問題
- Cold Start Problem，就是必須要有幾個rating該演算法才可以執行
- Too Expensive，演算法比較複雜
- 人類是會變得，有時候他的愛好會產生變化
混合演算法 Hybird
就是基於feature base 和 Collaborative filtering
不會的知識點
User to user的演算法
- Build Matrix of thing each user bought / viewed / rated
- Compute similarity between user
- Find similar user to you
- Recommand stuff they bought/ view rate that you have not yet.
item to item的演算法
根據你喜歡什麼推薦相似的東西，因為一本數學書永遠都是數學書，但是一個人就一直都會變；所以說item based similarity change less frequently than user based similarity
比user更好的原因是，我們只需要處理幾個item就可以了，而如果我們需要處理user的話，就需要處理很多人。
Less storage, Faster computing
想要看到更多瑋哥的學習筆記、考試複習資料、面試準備資料？想要看到IBM工作時期的技術積累和國外初創公司的經驗總結？
image
敬請關注：