推荐系统简介
什么是推荐系统
由于当前社会由信息匮乏转变为信息过载，需要筛选工具对信息进行筛选，如个性化推荐系统，可以对那些没有什么明确需求的用户进行推荐。如何从海量的数据中筛选出用户真正感兴趣的事情是一件非常具有挑战性的事情。
推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。
目前具有代表性的解决信息过载的方案就是分类目录以及搜索引擎。
和搜索引擎不同的是，推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为给用 户的兴趣建模，从而主动给用户推荐能够满足他们兴趣和需求的信息。搜索引擎和推荐系统基本上算作互补的工具。搜索引擎满足了用户有明确目的时的主动查找需求，而推荐系统能够在用户没有明确目的的时候帮助他们发现感兴趣的新内容。
推荐系统通过发掘用户的行为，找到用户的个性化需求，从而将长尾商品准确地推荐给需要它的用户，帮助用户发现那些他们感兴趣但很难发现的商品。
介绍了三种推荐方式：
- 社会化推荐： 让好友推荐物品。
- 基于内容的推荐： 寻找和自己之前看过的在内容上相似的物品或者内容。
- 协同过滤： 找到和自己历史兴趣相似的一群用户，看看他们最近在看什么内容。
推荐算法的本质是通过一定的方式将用户和物品联系起来，而不同的推荐系统利用了不同的方式。
推荐系统的应用
- 电子商务：推荐商品
如亚马逊，会给出推荐商品的标题、缩略图等，同样也会给出推荐的平均分以及推荐的理由。同时，用户可以修改当前的推荐结果，存在互动的特性。亚马逊的推荐系统存在基于物品的推荐，基于好友的推荐，协同推荐（买了此商品的用户同样也买了的商品）。打包销售也是推荐系统常见的应用。
- 电影和视频网站
如Netflix、YouTube，个性化推荐系统在其中也是很重要的组成部分，Netflix在2006年起开始举办著名的Netflix Prize推荐系统比赛，给出了大规模用户行为数据集。YouTube曾经做过一个实验，比较了个性化推荐的点击率和热门视频列表的点击率，实验结果表明个性化推荐的点击率是热门视频点击率的两倍。
- 个性化音乐网络电台
如国际上著名的有Pandora，Last.fm，国内的代表则是豆瓣电台，虾米音乐等等。经过用户一定时间的反馈，电台就可以从用户的历史行为中习得用户的兴趣模型，从而使用户的播放列表越来越符合用户对歌曲的兴趣。音乐很适合作为推荐，因为其具有消费代价小，数量规模大，重用率高，用户激情大，具有序列特性，高度社会化等等特征。
- 社交网络
社交网络可以使用推荐系统做以下内容：利用用户的社交网络信息对用户进行个性化的物品推荐，信息流的会话推荐，给用户推荐好友。如Facebook等等，可以提供个性化服务，熟悉会话排序等等。
- 个性化阅读
首先，互联网上的文章非常多，用户面临信息过载的问题;其次，用户很多 时候并没有必须看某篇具体文章的需求，他们只是想通过阅读特定领域的文章了解这些领域的文章来了解这些领域的动态。国际知名的有Google Reader，国内有鲜果网等。个性化阅读工具Zite则是收集用户对文章的偏好信息。如在每篇文章右侧，Zite都允许用户给出喜欢或不喜欢的反馈，然后通过分析用户的反馈数据不停地更新用户的个性化文章列表。
- 基于位置的推荐服务
用户的位置信息已经非常容易获取，而位置是一种很重要的上下文信息。基于位置的服务往往和社交网络结合在一起，给用户推荐离他近的且他感兴趣的服务。
- 个性化邮件
通过分析用户阅读邮件的历史行为和习惯对新邮件进行重新排序，从而提高用户的工作效率。
- 个性化广告
广告是互联网公司生存的根本。个性化推荐着重于帮助用户找到可能令他们感兴趣的物品，而广告推荐着重于帮助广告找到可能对它们感兴趣的用户，即一个是以用户为核心， 而另一个以广告为核心。广告也分三种：上下文广告，搜索广告以及个性化展示广告。
后面的内容就是推荐系统的测评了，我就单独写一篇文章进行介绍。