推荐系统

自从上个世纪90年代的一篇关于协作过滤的论文发表以后，推荐系统就成为了一个重要的研究领域了。那么什么是推荐系统呢？就是根据用户的喜好和习惯，把一些用户没有浏览过的信息呈现给用户。目前在学术界和工业界已经有了不少的信息推荐系统了，比如：亚马逊的产品推荐系统(推荐书籍和cd等)。在国内见过的最多就是校内的好友推荐和豆瓣的书籍推荐等。

如果对推荐系统进行追根溯源的话，推荐系统涉及到认知学、信息检索、预报科学和管理科学等等。推荐系统从20世纪90年代独立出来，成为一个独立的研究领域，起主要的研究对象就是估计推荐对象的等级。通常来说，推荐系统常常可以以如下的形式表达：C是所有用户的集合，S是所有有可能被推荐项目的集合(就是有可能推荐对象的集合)，U是效用函数—就是对于某一个用户c来说s的有用程度。在推荐系统中，常常推荐给系统用户的是效用函数值最高的项目或者是最好的几个项目(item,也就是推荐对象)。

在信息推荐系统中，主要是根据用户的资料和被推荐对象的轮廓信息(profile)来做推荐的。对于用户来说，其主要信息就是用户的年龄、兴趣爱好已经用户浏览数据的轮廓信息等，对于推荐对象的轮廓信息其主要是描述这个对象特征信息，例如电影：电影名称、发行时间、导演、主要演员和电影类型等等，这一系列描述推荐对象的特征数据就叫做推荐对象(在推荐系统中，常常将推荐对象记为item)的特征。在实际的推荐系统中不会用到全部的特征信息，一般只是特征信息的子集（只需要描述对象的主要信息的特征信息）。效用函数是根据用户集合C和推荐项集合S来外推，一般来说外推法首先是利用探索式的方法来定义效用函数，然后再凭借经验来验证效用函数的性能，然后根据一些优化性能的方法来评价效用函数。推荐系统根据其等级评估方法大概可以分为三类：

• 基于内容的推荐方法。这种方法主要是根据用户自己过去的浏览记录来向用户推荐用户没有浏览过的信息。
• 协作推荐。这种方法主要是根据与当前用户有相同或者是相似的品位或者是爱好的用户历史记录来做推荐，这种推荐首先就是要在用户集合C中找出与当前用户最相似的用户。
• 混合的方法。这种方法就是结合基于内容的推荐和协作推荐来做推荐。

在后面的推荐系统的介绍文章中，主要是从这三个方法来做分别介绍。