推荐系统学习

推荐系统summary：

• 统计最流行的，就是most popular； 还有分的更细的就是基于人口统计学的，就是demographic, 比如基于定年龄段的用户做推荐
  1. 基于用户投票的排名算法（一）：Delicious和Hacker News
  2. 基于用户投票的排名算法（二）：Reddit
  3. 基于用户投票的排名算法（三）：Stack Overflow
• content-based (比如提前给电影打标签，动作片，爱情片，恐怖片...如果用户选了爱情片，下次就给他推送爱情片)
• collaborative filter （下面两种similarity 矩阵在实际场景中都巨大，如果10万人的 user-user similarity 矩阵就是 10万x10万 这样的矩阵，矩阵在memory 里面都装不下. 顺便提一下，因为是装在memory里面的所以下面两种也叫 memory-based 类型）
• user-user similarity 
• item-item similarity
• matrix factorization (使用SVD算法把大的rating矩阵转换成小的维度，R=USV^T， SVD计算很慢，还需要补足missing data)
• 为了解决 SVD的问题，gradient decent 方法很快，也能很好的处理missing data问题.  请参考FunkSVD, 大概的做法是不考虑 USV^T里面的S，把U，V当成参数用 SGD 取train. (当然还有其他基于 gradient decent 的方法， 比如用matrix factorization in keras, matrix factorization+deep learning, matrix factorization+multi-brach, AurtoRec, 这些都在另一个文章里讲到 )

  

Ref：

1. Recommender Systems 明尼苏达大学的coursera 网课
2. http://www.ruanyifeng.com
3. https://zhuanlan.zhihu.com/p/65585517 各种相似度的说明
4. http://wulc.me/2016/02/22/%E3%80%8AProgramming%20Collective%20Intelligence%E3%80%8B%E8%AF%BB%E4%B9%A6%E7%AC%94%E8%AE%B0(2)--%E5%8D%8F%E5%90%8C%E8%BF%87%E6%BB%A4/ 相似性, pearson, cosine