推荐系统概述

Posted 2022-03-24 gczr

一、为什么需要推荐系统？

1）信息过载(information overload)问题日益严重

2）人找喜欢的物品、资讯变得越来越困难

3）新的产品想脱颖而出、得到关注，亦不容易

 

二、推荐系统主要能解决什么问题？

1）人与物的精确匹配，从人找信息，转变为信息找人
2）帮助减少马太效应和长尾效应的影响

马太效应：产品中热门的东西会被更多人看到，热门的东西会变得更加热门，而冷门的东西更加冷门。
长尾理论：某些条件下，需求和销量不高的产品所占据的市场份额，可以和主流产品的市场份额相比。

 

三、推荐系统与搜索引擎有什么不同？

搜索引擎-人找资讯

搜索引擎就是人找信息的经典情况，但是搜索出来的结果非常充分的体现了马太效应，就是越热门越靠前，没有体现个性化需求。

 

 推荐系统-资讯找人

1）事实上，每一个人的品味和偏好都并非和主流人群完全一致，当我们发现得越多，我们就越能体会到我们需要更多的选择。
2）如果说搜索引擎体现着马太效应的话，那么长尾理论则阐述了推荐系统发挥的价值。

 

四、从用户层面推荐系统能带来什么？

1）推荐系统能够满足用户对信息的个性化需求

推荐系统在个性化方面的运作空间要大得多，以“推荐好看的电影”为例，一百个用户有一百种口味，并没有一个“标准”的答案，推荐系统可以根据每位用户历史上的观看行为、评分记录等生成一个对当前用户最有价值的结果，这也是推荐系统有独特魅力的地方。

2）推荐系统满足用户难以用文字表述的需求

• 用户天然都是愿意偷懒的，不愿意输入过多文字去精确表达自己的需求
• 搜索引擎对语义的理解目前还无法做到足够深入
• 推荐系统通过标签设置（页面上选择喜欢的标签），加上与用户的交互（筛选、排序、点击等），不断积累和挖掘用户偏好，可以将这些难以用文字表达的需求良好的满足起来

 

五、知识图谱在推荐系统中如何发挥作用？

知识图谱旨在描述真实世界中存在的各种实体或概念及其关系,其构成一张巨大的语义网络图，节点表示实体或概念，边则由属性或关系构成，知识图谱在推荐系统中能够起如下作用：

 

精确性：知识图谱为物品引入了更多的语义关系，可以深层次地发现用户兴趣。

多样性：通过知识图谱中不同的关系链接种类，有利于推荐结果的发散。

可解释性：知识图谱可以连接用户的历史记录和推荐结果，从而提高用户对推荐结果的满意度和接受度，增强用户对推荐系统的信任。