推荐系统

1、背景简介

　　互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载（informationoverload）问题。

　　解决信息超载问题一个非常有潜力的办法是推荐系统[1] ，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。

　　推荐系统现已广泛应用于很多领域，其中最典型并具有良好的发展和应用前景的领域就是电子商务领域。同时学术界对推荐系统的研究热度一直很高，逐步形成了一门独立的学科。

2、概念及定义

　　定义：它是利用电子商务向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。

　　推荐系统有3个重要的模块：用户建模模块、推荐对象建模模块、推荐算法模块。通用的推荐系统模型流程如图。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。

　　

3、发展历程

　　

推荐系统的发展历程

年份	推荐系统名称
1995	个性化导航系统Web Watcher，个性化推荐系统LIRA
1996	个性化导航智能体Letizia
1996	Yahoo推出个性化入口My Yahoo
1997	基于协作过滤的个性化推荐系统PHOAKS和Referral Web
1999	个性化电子商务原型TELLIM
2000	搜索引擎CiteSeer增加了个性化推荐功能
2001	个性化电子商务网站的用户建模系统Pro，IBM在Webphere中增加了个性化功能
2003	Google开创了AdWards盈利模式，通过搜索的关键词来提供相关的广告
2007	Yahoo推出了SmartAds广告方案
2009	Overstock开始运行个性化横幅广告方案
2009	国内首个推荐系统科研团队北京百分点信息科技有限公司专注于推荐引擎技术与解决方案
2011	百度将推荐引擎与云计算、搜索引擎并列为发展方向

4、主要推荐方法

 　　

主要推荐方法对比
推荐方法	优点	缺点
基于内容推荐	推荐结果直观，容易解释； 不需要领域知识	稀疏问题；新用户问题； 复杂属性不好处理； 要有足够数据构造分类器
协同过滤推荐	新异兴趣发现、不需要领域知识； 随着时间推移性能提高； 推荐个性化、自动化程度高； 能处理复杂的非结构化对象	稀疏问题； 可扩展性问题； 新用户问题； 质量取决于历史数据集； 系统开始时推荐质量差；
基于规则推荐	能发现新兴趣点； 不要领域知识	规则抽取难、耗时； 产品名同义性问题； 个性化程度低；
基于效用推荐	无冷开始和稀疏问题； 对用户偏好变化敏感； 能考虑非产品特性	用户必须输入效用函数； 推荐是静态的，灵活性差； 属性重叠问题；
基于知识推荐	能把用户需求映射到产品上； 能考虑非产品属性	知识难获得； 推荐是静态的

5、体系结构

　　服务器推荐系统

　　　　　　

　　客户端推荐系统