推薦系統(tǒng)是什么？如何構(gòu)建一個推薦系統(tǒng)？推薦系統(tǒng)與AI有什么關(guān)系？

許多人把推薦系統(tǒng)視為一種神秘的存在，他們覺得推薦系統(tǒng)似乎知道我們的想法是什么。Netflix 向我們推薦電影，還有亞馬遜向我們推薦該買什么樣的商品。推薦系統(tǒng)從早期發(fā)展到現(xiàn)在，已經(jīng)得到了很大的改進和完善，以不斷地提高用戶體驗。盡管推薦系統(tǒng)中許多都是非常復雜的系統(tǒng)，但其背后的基本思想依然十分簡單。

推薦系統(tǒng)是什么？

推薦系統(tǒng)是信息過濾系統(tǒng)的一個子類，它根據(jù)用戶的偏好和行為，來向用戶呈現(xiàn)他(或她)可能感興趣的物品。推薦系統(tǒng)會嘗試去預測你對一個物品的喜好，以此向你推薦一個你很有可能會喜歡的物品。

如何構(gòu)建一個推薦系統(tǒng)？

現(xiàn)在已經(jīng)有很多種技術(shù)來建立一個推薦系統(tǒng)了，我選擇向你們介紹其中最簡單，也是最常用的三種。他們是：一，協(xié)同過濾；二，基于內(nèi)容的推薦系統(tǒng)；三，基于知識的推薦系統(tǒng)。我會解釋前面的每個系統(tǒng)相關(guān)的弱點，潛在的缺陷，以及如何去避免它們。最后，我在文章末尾為你們準備了一個推薦系統(tǒng)的完整實現(xiàn)。

協(xié)同過濾

協(xié)同過濾，是首次被用于推薦系統(tǒng)上的技術(shù)，至今仍是最簡單且最有效的。協(xié)同過濾的過程分為這三步：一開始，收集用戶信息，然后以此生成矩陣來計算用戶關(guān)聯(lián)，最后作出高可信度的推薦。這種技術(shù)分為兩大類：一種基于用戶，另一種則是基于組成環(huán)境的物品。

基于用戶的協(xié)同過濾

基于用戶的協(xié)同過濾本質(zhì)上是尋找與我們的目標用戶具有相似品味的用戶。如果Jean-Pierre和Jason曾對幾部電影給出了相似的評分，那么我們認為他們就是相似的用戶，接著我們就可以使用Jean Pierre的評分來預測Jason的未知評分。例如，如果Jean-Pierre喜歡星球大戰(zhàn)3:絕地武士歸來和星球大戰(zhàn)5:帝國反擊戰(zhàn)，Jason也喜歡絕地武士歸來，那么帝國反擊戰(zhàn)對Jason來說是就是一個很好的推薦。一般來說，你只需要一小部分與Jason相似的用戶來預測他的評價。

在下表中，每行代表一個用戶，每列代表一部電影，只需簡單地查找這個矩陣中行之間的相似度，就可以找到相似的用戶了。

然而，基于用戶的協(xié)同過濾在實現(xiàn)中存在一些以下問題：

用戶偏好會隨時間的推移而改變，推薦系統(tǒng)生成的許多推薦可能會隨之變得過時。

用戶的數(shù)量越多，生成推薦的時間就越長。

基于用戶會導致對托攻擊敏感，這種攻擊方法是指惡意人員通過繞過推薦系統(tǒng)，使得特定物品的排名高于其他物品。(托攻擊即Shilling Attack,是一種針對協(xié)同過濾根據(jù)近鄰偏好產(chǎn)生推薦的特點，惡意注入偽造的用戶模型，推高或打壓目標排名，從而達到改變推薦系統(tǒng)結(jié)果的攻擊方式)

基于物品的協(xié)同過濾

基于物品的協(xié)同過濾過程很簡單。兩個物品的相似性基于用戶給出的評分來算出。讓我們回到Jean-Pierre與Jason的例子，他們兩人都喜歡“絕地武士歸來”和“帝國反擊戰(zhàn)”。 因此，我們可以推斷，喜歡第一部電影的大多數(shù)用戶也可能會喜歡第二部電影。所以，對于喜歡“絕地武士歸來”的第三個人Larry來說，”帝國反擊戰(zhàn)“的推薦將是有意義的。

所以，這里的相似度是根據(jù)列而不是行來計算的(與上面的用戶-電影矩陣中所見的不同)?；谖锲返膮f(xié)同過濾常常受到青睞，因為它沒有任何基于用戶的協(xié)同過濾的缺點。首先，系統(tǒng)中的物品(在這個例子中物品就是電影)不會隨著時間的推移而改變，所以推薦會越來越具有關(guān)聯(lián)性。此外，通常推薦系統(tǒng)中的物品都會比用戶少，這減少了推薦的處理時間。最后，考慮到?jīng)]有用戶能夠改變系統(tǒng)中的物品，這種系統(tǒng)要更難于被欺騙或攻擊。

基于內(nèi)容的推薦系統(tǒng)

在基于內(nèi)容的推薦系統(tǒng)中，元素的描述性屬性被用來構(gòu)成推薦?！皟?nèi)容Content”一詞指的就是這些描述。舉個例子，根據(jù)Sophie的聽歌歷史，推薦系統(tǒng)注意到她似乎喜歡鄉(xiāng)村音樂。因此，系統(tǒng)可以推薦相同或相似類型的歌曲。更復雜的推薦系統(tǒng)能夠發(fā)現(xiàn)多個屬性之間的關(guān)系，從而產(chǎn)生更高質(zhì)量的推薦。例如，音樂基因組計劃(Music Genome Project)根據(jù)450個不同的屬性將數(shù)據(jù)庫中的每支歌曲進行分類。該項目為Pandor的歌曲推薦提供技術(shù)支持。(Pandor提供在線音樂流媒體服務，類似Spolify)

基于知識的推薦系統(tǒng)

基于知識的推薦系統(tǒng)在物品購買頻率很低的情況下特別適用。例如房屋、汽車、金融服務甚至是昂貴的奢侈品。在這種情況下，推薦的過程中常常缺乏商品的評價?；谥R的推薦系統(tǒng)不使用評價來作出推薦。相反，推薦過程是基于顧客的需求和商品描述之間的相似度，或是對特定用戶的需求使用約束來進行的。這使得這種類型的系統(tǒng)是獨一無二的，因為它允許顧客明確地指定他們想要什么。關(guān)于約束，當應用時，它們大多是由該領(lǐng)域的專家實施的，這些專家從一開始就知道該如何實施這些約束。例如，當用戶明確指出在一個特定的價格范圍內(nèi)尋找一個家庭住宅時，系統(tǒng)必須考慮到這個用戶規(guī)定的約束。

推薦系統(tǒng)中的冷啟動問題

推薦系統(tǒng)中的主要問題之一是最初可用的評價數(shù)量相對較小。當新用戶還沒有給電影打分，或者一部新的電影被添加到系統(tǒng)中時，我們該怎么做呢？在這種情況下，應用傳統(tǒng)的協(xié)同過濾模型會更加困難。盡管基于內(nèi)容和基于知識的推薦算法在面臨冷啟動問題時比協(xié)同過濾更具有魯棒性，但基于內(nèi)容和基于知識并不總是可用的。因此，一些新方法，比如混合系統(tǒng)，已經(jīng)被設(shè)計出用來解決這個問題了。

混合推薦系統(tǒng)

文章到目前為止所介紹的不同類型的推薦系統(tǒng)都各有優(yōu)劣，他們根據(jù)不同的數(shù)據(jù)給出推薦。 一些推薦系統(tǒng)，如基于知識的推薦系統(tǒng)，在數(shù)據(jù)量有限的冷啟動環(huán)境下最為有效。其他系統(tǒng)，如協(xié)同過濾，在有大量數(shù)據(jù)可用時則更加有效。在多數(shù)情況下，數(shù)據(jù)都是多樣化的，我們可以為同一任務靈活采用多種方法。 因此，我們可以結(jié)合多種不同技術(shù)的推薦來提高整個系統(tǒng)的推薦質(zhì)量。許多的組合性技術(shù)已經(jīng)被探索出來了，包括：

加權(quán)：為推薦系統(tǒng)中的每種算法都賦予不同的權(quán)重，使得推薦偏向某種算法

交叉：將所有的推薦結(jié)果集合在一起展現(xiàn)，沒有偏重

增強：一個系統(tǒng)的推薦將作為下一個系統(tǒng)的輸入，循環(huán)直至最后一個系統(tǒng)為止

切換：隨機選擇一種推薦方法

混合推薦系統(tǒng)中的一個最有名的例子是于2006至2009年舉行的Netflix Price算法競賽。這個競賽的目標是將Netflix的電影推薦系統(tǒng)Cinematch的算法準確率提高至少10%。Bellkor’s Pragmatix Chaos團隊用一種融合了107種不同算法的方案將Cinematch系統(tǒng)的推薦準確率提高了10.06%，并最終獲得了100萬美元獎金。你可能會對這個例子中的準確率感到好奇，準確率其實就是對電影的預測評分與實際評分接近程度的度量。

推薦系統(tǒng)與AI？

推薦系統(tǒng)常用于人工智能領(lǐng)域。推薦系統(tǒng)的能力 – 洞察力，預測事件的能力和突出關(guān)聯(lián)的能力常被用于人工智能中。另一方面，機器學習技術(shù)常被用于實現(xiàn)推薦系統(tǒng)。例如，在Arcbees，我們使用了神經(jīng)網(wǎng)絡和來自IMdB的數(shù)據(jù)成功建立了一個電影評分預測系統(tǒng)。神經(jīng)網(wǎng)絡可以快速地執(zhí)行復雜的任務并輕松地處理大量數(shù)據(jù)。通過使用電影列表作為神經(jīng)網(wǎng)絡的輸入，并將神經(jīng)網(wǎng)絡的輸出與用戶評分進行比較，神經(jīng)網(wǎng)絡可以自我學習規(guī)則以預測特定用戶的未來評分。

專家建議

在我讀過許多資料中，我注意到有兩個很重要的建議經(jīng)常被推薦系統(tǒng)領(lǐng)域內(nèi)的專家提及。第一，基于用戶付費的物品進行推薦。當一個用戶有購買意愿時，你就可以斷定他的評價一定是更具有相關(guān)性與準確的。第二，使用多種算法總是比改進一種算法要好。Netflix Prize競賽就是一個很好的例子。

實現(xiàn)一個基于物品的推薦系統(tǒng)

下面的代碼演示了實現(xiàn)一個基于物品的推薦系統(tǒng)是多么的簡單與快速。所使用的語言是Python，并使用了Pandas與Numpy這兩個在推薦系統(tǒng)領(lǐng)域中最流行的庫。所使用的數(shù)據(jù)是電影評分，數(shù)據(jù)集來自MovieLens。

第一步：尋找相似的電影

1.讀取數(shù)據(jù)

import pandasaspd

import numpyasnp

ratings_cols=['user_id','movie_id','rating']

ratings=pd.read_csv('u.data',sep='t',names=ratings_cols,usecols=range(3))

movies_cols=['movie_id','title']

movies=pd.read_csv('u.item',sep='|',names=movies_cols,usecols=range(2))

ratings=pd.merge(ratings,movies)

2.構(gòu)造用戶的電影矩陣

movieRatings = ratings.pivot_table(index=['user_id'],columns=['title'],values='rating')

3.選擇一部電影并生成這部電影與其他所有電影的相似度

starWarsRatings=movieRatings['Star Wars (1977)']

similarMovies=movieRatings.corrwith(starWarsRatings)

similarMovies=similarMovies.dropna()

df=pd.DataFrame(similarMovies)

4.去除不流行的電影以避免生成不合適的推薦

ratingsCount=100

movieStats=ratings.groupby('title').agg({'rating':[np.size,np.mean]})

popularMovies=movieStats['rating']['size']>=ratingsCount

movieStats[popularMovies].sort_values([('rating','mean')],ascending=False)[:15]

5.提取與目標電影相類似的流行電影

df=movieStats[popularMovies].join(pd.DataFrame(similarMovies,columns=['similarity']))

df.sort_values(['similarity'],ascending=False)[:15]

第二步：基于用戶的所有評分做出推薦

1.生成每兩部電影之間的相似度，并只保留流行電影的相似度

userRatings=ratings.pivot_table(index=['user_id'],columns=['title'],values='rating')

corrMatrix=userRatings.corr(method='pearson',min_periods=100)

2.對于每部用戶看過并評分過的電影，生成推薦（這里我們選擇用戶0）

myRatings=userRatings.loc[0].dropna()

simCandidates=pd.Series()

foriinrange(0,len(myRatings.index)):

#取出與評分過電影相似的電影

sims=corrMatrix[myRatings.index[i]].dropna()

#以用戶對這部電影的評分高低來衡量它的相似性

sims=sims.map(lambdax:x *myRatings[i])

#將結(jié)果放入相似性候選列表中

simCandidates=simCandidates.append(sims)

simCandidates.sort_values(inplace=True,ascending=False)

3.將所有相同電影的相似度加和

simCandidates=simCandidates.groupby(simCandidates.index).sum()

simCandidates.sort_values(inplace=True,ascending=False)

4.只保留用戶沒有看過的電影

filteredSims = simCandidates.drop(myRatings.index)

如何更進一步？

在上面的實例中，Pandas與我們的CPU足以處理MovieLens的數(shù)據(jù)集。然而，當數(shù)據(jù)集變得更龐大時，處理的時間也會變得更加漫長。因此，你應該轉(zhuǎn)為使用具有更強大處理能力的解決方案，如Spark或MapReduce。