目录
第二部分：协同过滤 (Collaborative Filtering)
[1. 基于用户 (UserCF): "你的邻居喜欢啥，我就推给你啥"](#1. 基于用户 (UserCF): “你的邻居喜欢啥，我就推给你啥”)
[2. 基于物品 (ItemCF): "你买了 X，通常大家也会买 Y"](#2. 基于物品 (ItemCF): “你买了 X，通常大家也会买 Y”)
[UserCF vs ItemCF 一图胜千言](#UserCF vs ItemCF 一图胜千言)
[第三部分：隐语义模型 (LFM) ------ 挖掘潜规则](#第三部分：隐语义模型 (LFM) —— 挖掘潜规则)
[进阶：考虑偏差 (Bias) 的推荐](#进阶：考虑偏差 (Bias) 的推荐)
你的手机比你更懂你？揭秘推荐系统背后的算法逻辑
在这个信息爆炸的时代，互联网每分钟都在产生海量的数据：数百万条搜索、几十万条推文、海量的订单 。我们面临的问题不再是"找不到信息"，而是"信息太多，找不到我感兴趣的"。
这就是推荐系统（Recommendation System）存在的意义。从今日头条的新闻，到京东的商品，再到豆瓣的电影，推荐系统无处不在，它占据了亚马逊35%的销售额，贡献了巨额的转化率。
今天，我们就来扒一扒推荐系统背后的核心算法：协同过滤 与隐语义模型。
第一部分：我们如何了解用户？（数据基础）
推荐系统不是算命，它需要依据。我们通常通过收集用户的行为来构建用户画像（User Profile）。这些行为分为两类：
-
显式反馈（Explicit）：用户明确表达喜好。例如给电影打5星（评分）、点赞（投票）。这种数据最精确，但很难获取。
-
隐式反馈（Implicit）：用户没有明确说"喜欢"，但通过行为表现出来了。例如购买、转发、甚至只是保存书签。虽然不如评分精确，但数据量巨大。
第二部分：协同过滤 (Collaborative Filtering)
这是推荐系统中最经典、应用最广泛的算法。它的核心思想很简单：物以类聚，人以群分。
在进行协同过滤前，我们首先要解决数学问题：如何计算相似度？
-
欧几里得距离：计算空间中两点的距离，距离越近越相似。
-
皮尔逊相关系数 (Pearson)：衡量两个变量变化趋势的相关性，适合处理评分偏差（比如有人习惯都打高分，有人习惯都打低分）。
-
余弦相似度 (Cosine)：衡量向量方向的差异。
协同过滤主要分为两大流派：
1. 基于用户 (UserCF): "你的邻居喜欢啥，我就推给你啥"
假设用户 A 和用户 C 的口味很像（都买了物品 A 和 C），那么用户 C 买了物品 D，我们猜测用户 A 也会喜欢物品 D。
-
适用场景：实时新闻、社交网络（如今日头条）。
-
原因：用户的兴趣变化快，但群体的兴趣相对稳定；而且新闻等物品更新太快，难以维护物品相似度矩阵。
-
缺点：新用户很难推荐（冷启动），且用户量过大时计算困难。
2. 基于物品 (ItemCF): "你买了 X，通常大家也会买 Y"
这不是看用户像不像，而是看物品像不像。如果很多人在买啤酒的同时都买了尿布，那这两个物品就是"相似"的。当你买了啤酒，系统就推荐尿布。
-
适用场景：电商（亚马逊、京东）、电影。
-
原因：物品的数量通常远少于用户数量，且物品之间的关系比较稳定（买了手机通常会买手机壳，这个规律很久不变），适合预先计算。
-
优势：由于是基于你自己的历史行为推荐，理由更容易解释（"因为你购买了..."）。
UserCF vs ItemCF 一图胜千言
| 特性 | UserCF (基于用户) | ItemCF (基于物品) |
|---|---|---|
| 性能 | 适合用户较少的场合 | 适合物品数少于用户数的场合 |
| 领域 | 时效性高（新闻） | 长尾物品丰富（电商） |
| 冷启动 | 新物品上线容易推荐给老用户 | 新用户只要有一个行为就能推荐 |
| 推荐理由 | 难解释 | 易解释 |
第三部分：隐语义模型 (LFM) ------ 挖掘潜规则
协同过滤虽然好用，但面对海量且稀疏的数据（比如几亿用户，几亿商品，绝大多数用户没买过绝大多数商品），矩阵会空得可怕。
这时，我们需要隐语义模型 (Latent Factor Model)。
核心思想：矩阵分解
我们不需要强行找用户和物品的直接对应，而是通过一个"中介"------隐含因子 (Latent Factor)。
假设我们把评分矩阵 分解为两个矩阵的乘积：
-
：用户-隐含因子矩阵（代表用户对各隐类别的喜好）。
-
比如，我们设定 个隐含因子（可能是动作、爱情、科幻，虽然机器计算时并不知道具体名字，只知道是某种特征）。LFM 会自动学习出：用户 A 喜欢"因子 1"，而电影 B 刚好"因子 1"的权重很高，所以推荐电影 B。
怎么算出来的？
主要通过梯度下降 (Gradient Descent) 来迭代求解。我们要最小化预测分与真实分之间的误差平方和，同时为了防止过拟合，会加入正则化项 。
进阶：考虑偏差 (Bias) 的推荐
现实中，有些用户就是爱打低分（User Bias），有些电影本身就是高分神作（Item Bias）。一个成熟的预测公式不仅仅看匹配度，还要考虑这些偏差：
-
-
-
-
第四部分：如何评价推荐系统好不好？
做好了推荐系统，怎么知道它准不准？我们有几个核心指标：
-
准确度 (RMSE)：预测评分和真实评分差多少？越小越好。
-
召回率 (Recall)：用户喜欢的东西，你推荐出来了多少？
-
覆盖率 (Coverage)：能不能挖掘出长尾商品？如果只推荐热门商品，覆盖率就很低。
-
多样性 (Diversity)：推荐列表里的东西是不是太单一了？
总结
推荐系统本质上是在解决连接问题。
-
如果你有社交关系链，UserCF 是好选择；
-
如果你是卖货的，关注商品关联，ItemCF 更稳健；
-
如果你数据量巨大且稀疏，想要挖掘深层兴趣，隐语义模型 值得尝试。