推荐理论：推荐系统的今天与明天

Posted 2021-05-01 AINLP

        哈喽，大家好，这是一个船新的贪玩蓝~呸呸呸，一个全新的推荐系统理论系列教程，在这个系列，我会从推荐系统的方方面面去帮你构建起对推荐系统的认识，会包含到常见的推荐系统技术介绍，算法原理，以及关于各类高级话题的一些论文。计划保持周更的同时，尽可能的以通俗易懂的语言给大家分享有深度的文章。

        我们对推荐系统（RS）都很熟悉，在互联网时代有效解决信息过载的一种方式。相比于搜索引擎，推荐系统的发展历史还是比较新的，上世纪90年代，推荐系统基本上就是一个独立的研究领域了。如今在多个领域已经应用了推荐系统。

        首先推荐几个了解推荐系统发展前沿的途径：ACM RecSys，SIGIR，SIGKDD 等。这些会议在业内还是比较受人关注的，基本上推荐系统的前沿工作也会尝试一下这些会议。

推荐系统的今天        

        推荐系统的功能和常见的评价指标在 中谈到过，这里我们简单的回顾一下。基本上应用到推荐系统的网站无非为了提高商品销量，提高用户满意度，提高用户留存率等。而我们最常见的评价指标也就是准确率，召回，覆盖，新颖度这些。那么推荐系统现有的真实发展状况如何，未来的优化空间又在哪里呢？

经过这么多年的发展，现有的推荐技术主要是从这几方面入手：

    1，基于内容。也就是根据用户过去选择的物品有什么属性，就给他推荐有同样属性的物品。 说人话就是，你看过好几部喜剧电影，我就继续给你推荐喜剧电影。

    2，协同过滤。通过判断有相同品味的用户来进行推荐，协同过滤也是目前最流行，应用最广泛的技术。 说人话就是，你喜欢喜剧电影，另外一个人也喜欢喜剧电影，这个人还喜欢喜剧综艺，那我就给你也推荐喜剧综艺。

    3，基于人口统计学。通过统计人群的共有特征来完成推荐。 这个就好理解了，比如20岁的女生爱买口红，我给其他20岁的女生也推荐口红。

    4，基于知识。寻找用户需求和物品之间的匹配程度来选择推荐。 比如分析一个用户年收入50万的男人，喜欢车，那么就针对他的需求来推荐车。

    5，基于社区。借助社交网络来进行推荐 。 这个最简单的思路就是我通过社交网络我发现你同学喜欢一个女生，我给你也推荐这个女生，啊不~我是说这个女生的微博啊。

        上述这些技术只是最基础的原型，为了易于理解都没有展开的很细致，本系列后面的文章中，我会逐一去仔细讲解其中的原理和现有的改进工作。同样的，对上述技术进行综合，互相搭配，也可以称之为混合推荐系统，在很多场景下也有优秀的效果。

        

        还有一个角度就是关于推荐系统的评估，不像CV，NLP这种，数据集上跑出来的指标好，那就在应用上也不会太差，毕竟图还是那样的图，文字还是那样的文字。但是推荐就不一样了，毕竟人不一定还是那样的人了。推荐系统的评估一般有三类方法， 离线测评，在线测评，还有就是集中用户调查。 离线是我们最常见的评估方式，数据集里面验证就好了。在线评估有诸如A/B测试这种，在线应用推荐系统，对比不适用推荐系统的性能变化。还有一种折中的方法就是选择一小群用户进行推荐系统的验证。这些我们在后面的文章中也会再细致的谈到。

推荐系统的明天

        人心啊，真是难猜呐，那么未来应该咋样去猜的更准呢？接下来简单的介绍一下推荐系统未来的一些方向。

        推荐系统的广泛应用也带来了很多思考，在未来如何更好的利用 隐式反馈，更好的收集显示反馈是一个很好的方向。隐式反馈易于收集，显示反馈信息量大，如何去弱化它们的不足，更好的利用它们的优势。

   

        另一方面，从 心理学方面的研究也很有必要，比较推荐系统和CV，NLP等方向不同，更多的是在研究人的兴趣，如何从心理学的角度，来更好的对人进行性格分析也是未来的一个重点。

         随着迁移学习的发展，推荐系统领域也在考虑，从一个领域学到的用户画像，显然可以应用到另外一个领域。同时有效的 减少用户画像的开销也是一个需要思考的地方，比如可以采用长短期相结合的用户画像，长期偏好是用户的兴趣背景，短期偏好是用户最近的兴趣变化，那么长期偏好的更新可以是缓慢的，从一定程度上也可以减少开销。

         在推荐系统与用户的交互过程中，推荐结果的 解释性在之前就一直被关注，在未来我们需要考虑的不仅仅是可解释性方面的提高，还需要在解释的效果上进行判断。现在仍无法确定推荐结果的解释带来的收益是否比风险多，用户是否会因为过度的解释而认为侵犯了隐私。

       

         还有一个有意思的思路就是 利用移动终端对用户的情境进行感知，相当于收集到更多的有用的隐式反馈。来试想这样一个场景，准备和家人一起出去旅游，携程给你推荐旅游地和攻略，到了以后美团给你推荐去哪里吃饭，游玩，或者你不想走太远，某个APP根据你的位置给你推荐周围的饭店。这些都是很简单的思路，如果对手机这类移动设备可以更好的利用，那么推荐系统的个性化肯定可以再上一个台阶。

          当然 隐私和安全也是绕不过的话题，现在也有很多尝试窃取隐私或者攻击推荐系统的行为。打个比方，你在淘宝开个店，你觉得你家店卖的挺好，这个时候有一个友商，他嫉妒你，那么他就想办法攻击推荐系统，发现你是因为某个商品卖得好导致整个店的销量好，那么他就可以针对性给你这个商品一些差评。攻击手段层出不穷，这也是未来需要研究的一个方向。

总结

        上面提到的这些内容，在我后续的系列文章中都会逐渐介绍，每个点都会单独作为至少一篇文章拿来深入讲解（希望一篇足以，要不然感觉工作量太浩大了，哈哈哈）。希望今天的文章可以让你对推荐系统现有的工作和未来的方向有一个认知，如果你已经了解推荐系统，那么希望这篇文章可以帮你温故知新  Let's fighting!

---

由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

感谢支持，比心。

欢迎加入推荐系统交流群

进群请添加AINLP小助手微信 AINLPer（id: ainlper)，备注推荐系统 

推荐阅读

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。

阅读至此了，分享、点赞、在看三选一吧

以上是关于推荐理论：推荐系统的今天与明天的主要内容，如果未能解决你的问题，请参考以下文章

推荐系统系列：FFM理论与实践

控制理论的一些资料推荐

推荐系统系列：Deep Crossing理论与实践

ng机器学习视频笔记（十四） ——推荐系统基础理论

推荐系统个人理解（理论部分）

[零基础入门推荐系统]基于用户和基于物品的协同过滤方法(理论+代码)