推荐系统是如何工作的？

Posted 2023-02-16

【中文标题】推荐系统是如何工作的？

【英文标题】：How do recommendation systems work?

【发布时间】：2010-10-12 04:35:30

【问题描述】：

我一直很好奇这些系统的工作原理。例如，netflix 或亚马逊如何根据过去的购买和/或评分确定要提出的建议？有什么算法可以阅读吗？

所以这里没有误解，我没有实际的理由问。我只是出于好奇而问。

（另外，如果有关于这个主题的现有问题，请指出它。“推荐系统”是一个很难搜索的术语。）

【问题讨论】：

“推荐引擎”这个词更适合谷歌搜索。

jscires.org/sites/default/files/10.5530jscires.5.1.10.pdf

【参考方案1】：

O'Reilly 的书 "Programming Collective Intelligence" 有一个很好的章节展示了它是如何工作的。非常可读。

代码示例都是用 Python 编写的，但这不是什么大问题。

【讨论】：

我拥有这本书并强烈推荐它。

我向大家推荐这本书:)

【参考方案2】：

Netflix 推荐系统的算法实际上是一种竞争性努力，程序员在其中不断竞争以提高系统的准确性。

但在最基本的条件下，推荐系统会检查与另一个用户的人口统计/兴趣信息非常匹配的用户的选择。

因此，如果您是来自纽约市的 25 岁的白人男性，推荐系统可能会尝试为您带来美国东北部其他 21-30 岁的白人男性购买的产品。

编辑：还应该注意的是，您拥有的用户信息越多，您就越能改进算法，以将其他人正在做的事情与相关用户可能感兴趣的事情相匹配。

【参考方案3】：

这是一个分类问题——即将用户分类为可能对某些项目感兴趣的用户组。

一旦被分类到这样的组中，就很容易检查该组中其他用户的购买/喜欢并推荐他们。

因此，贝叶斯分类和神经网络（多层感知器、径向基函数、支持向量机）值得一读。

【参考方案4】：

这是一个如此重要的商业应用程序，Netflix introduced a $1 million prize for improving their recommendations by 10%。

几年后，人们越来越接近（我认为他们现在上涨了 9% 左右），但由于很多很多原因，这很难。 Netflix Prize 的最大因素或最大的初始改进可能是使用了一种称为 singular value decomposition 的统计技术。

我强烈建议您阅读 If You Liked This, You’re Sure to Love That，以深入讨论 Netflix Prize 和一般推荐系统。

虽然亚马逊等的原则基本上是一样的：他们寻找模式。如果有人很好地购买了《星球大战》三部曲，那么他们比普通客户更喜欢吸血鬼猎人巴菲（纯属捏造的例子）。

【参考方案5】：

一种技术是将用户分组到clusters，并推荐同一集群中其他用户的产品。

【参考方案6】：

在最基本的情况下，大多数推荐系统通过说两件事之一来工作。

基于用户的建议： 如果用户 A 喜欢项目 1、2、3、4 和 5， 用户 B 喜欢项目 1、2、3 和 4 那么用户 B 很可能也喜欢第 5 项

基于项目的推荐： 如果购买第 1 项的用户也更有可能购买第 2 项 用户 A 购买了商品 1 那么用户 A 可能会对第 2 项感兴趣

下面是你应该知道的算法脑转储： - 设置相似度（Jaccard 指数和谷本系数） - n 维欧几里得距离 - k-means 算法 - 支持向量机

【参考方案7】：

明尼苏达大学的GroupLens Research 研究推荐系统并慷慨分享他们的research 和datasets。

他们的研究每年都会扩大一点，现在考虑诸如在线社区、社交协作过滤和呈现复杂数据时的 UI 挑战等细节。

【参考方案8】：

当然，有一些算法会向您推荐喜欢的商品。为此已经实施了不同的数据挖掘技术。如果您想了解更多有关 Recommender System 的基本信息，请访问 this 博客。这里已经涵盖了有关推荐系统的所有基础知识。

【参考方案9】：

主要有两种类型的推荐系统，它们的工作方式不同：

1.基于内容的。 这些系统根据特征信息提出建议。这是关于项目（关键字、类别等）和用户（偏好、配置文件等）的信息。

2。协同过滤。 这些系统基于用户-项目交互。这是诸如评级、购买次数、喜欢等信息。

This 文章（由我工作的公司发表）概述了这两个系统、一些实际示例，并建议何时实施它们。

【讨论】：

您是否隶属于您要链接的网站？如果是这样，您必须披露您的隶属关系。以下是一些可能对您有所帮助的指南：How to not be a spammer

@AndrewMyers：不确定此处是否需要披露从属关系：即使没有最后一段（包含链接），该帖子也很有价值。此外，这篇文章似乎不是附属的主题：它是免费提供的，没有任何宣传。

@AndrewMyers，感谢您的评论。我在发表这篇文章的公司工作。但是，帖子的链接应该只支持答案，并且对那些想要深入研究推荐系统主题的人有所帮助。希望他们会发现它有用。

@minmidinosaur 我同意，该链接支持答案并且很有帮助，您链接到它真是太好了。也就是说，您仍然需要添加某种形式的免责声明（可以像“由我的一位同事编写” 一样简单）。内容是否免费并不重要。如果您要链接到贵公司生产的任何东西，则需要披露。这是另一篇讨论此类事情的帖子：What is the policy regarding sparse self-promotion in answers?我为造成的混乱道歉！祝你有美好的一天！

@minmidinosaur 根据您的评论，我将免责声明编辑为答案。正如 Andrew 所写，我们的网站需要此类免责声明，他在这个方向上提供了一个很好的链接。