第5章混合推荐系统 — 通俗讲解

第5章混合推荐系统 --- 通俗讲解

对应教材：刘宏志《推荐系统》第5章（PDF：推荐算法-带书签版0403.pdf，目录见 toc.json）

前置章节：第2章协同过滤、第3章模型 CF、第4章内容与知识推荐

经典参考：Burke (2002) 混合推荐 taxonomy；Netflix Prize (2006--2009)

章节目录速览

节	标题	PDF 页
5.1	混合推荐实例------Netflix 百万美金公开赛	87
5.2	混合/组合推荐的动机	89
5.2.1	实践经验	89
5.2.2	理论依据	90
5.3	混合/组合方法分类	92
5.3.1	有监督组合和无监督组合	92
5.3.2	基推荐器间依赖关系	93
5.4	并行式混合推荐	94
5.4.1	加权式混合	94
5.4.2	切换式混合	95
5.4.3	排序混合	96
5.5	串行式混合推荐	97
5.5.1	级联过滤	97
5.5.2	级联学习	98
5.6	整体式混合推荐	99
5.6.1	特征组合	99
5.6.2	特征扩充	100
5.6.3	基于图模型的混合	101

一、先搞懂：什么是「混合推荐」？

1.1 一句话

混合推荐 = 不只用一种推荐算法，而是把多种算法的优势拼在一起。

就像看病：不会只凭一种检查下结论，而是化验 + 影像 + 问诊综合判断。

1.2 为什么第 5 章放在这里？

第2章协同过滤
第5章混合
第3章矩阵分解
第4章内容/知识
工业界主流架构

前面各章各讲一种「单科状元」；现实里没有单科全能 ，所以要组合。

1.3 三种基础推荐范式（混合的「零件」）

范式	核心数据	擅长	短板
协同过滤 CF	用户--物品评分矩阵	发现群体偏好、意外之喜	冷启动、稀疏
基于内容 CB	物品文本/标签特征	新物品、可解释	过度专窄、难跨域
基于知识 KB	属性表 + 规则 + 效用	大件选购、硬约束	知识维护成本高

Table 5.1（教材）：三种范式对输入数据的需求不同------CF 要社区评分，CB 要物品特征，KB 还要领域知识模型。

二、5.1 Netflix 百万美金公开赛 ------ 混合推荐的「封神之战」

2.1 背景

2006 年 ：Netflix 公开约 1 亿条 匿名评分，悬赏 100 万美元。
目标：预测用户评分，比 Netflix 自家算法 RMSE 再降 10%。
2009 年 ：团队 BellKor's Pragmatic Chaos 夺冠（多支队伍合并成果）。

2.2 比赛告诉我们什么？（比公式更重要）

单一算法不够 ：最终方案是 几十种模型的集成（Ensemble）。
加权混合是主力：各子模型预测分按权重相加（回归学权重）。
矩阵分解大放异彩：SVD、隐语义、邻域模型等（对应第 3 章）。
时间因素很关键：用户口味会变，老评分权重应衰减。
「预测准」≠「用户满意」：赛后 Netflix 也反思------只优化 RMSE 不一定提升业务。

2.3 生活化理解

Netflix 比赛像 厨师大赛：

有人擅长川菜（协同过滤）
有人擅长摆盘（内容特征）
有人擅长 营养搭配（知识规则）

冠军不是某一位厨师，而是 把多位厨师的菜按最优比例拼成套餐 ------ 这就是 加权混合。

三、5.2 为什么要混合？

3.1 5.2.1 实践经验

Burke 在 Entree 餐厅数据集 上对比了 41 种 算法组合，结论很直白：

没有任何一种基础算法在所有场景下都最好。
混合几乎总能比单一算法更好（或至少不差）。
Netflix 工业界验证：集成 + 调权 是提升精度的可靠路径。

各算法的「死角」举例：

场景	单一算法的问题	混合怎么补
新用户	CF 找不到相似邻居	切换 → 先用热门/内容
新电影	CF 无评分	内容推荐补召回
买相机要硬条件	CF 不管「必须防水」	知识约束先过滤
评分矩阵极稀疏	CF 不准	内容伪评分 + CF（特征扩充）

3.2 5.2.2 理论依据

可以从两个角度理解「组合有效」：

误差互补：算法 A 在子空间 A 错得多，算法 B 恰恰在那块强 → 加权后误差抵消。
信息互补：CF 用「行为」，CB 用「内容」，KB 用「规则」------信息源不同，覆盖更全面。

偏差--方差视角（简化） ：

单一模型可能过拟合某种模式；多模型平均/加权往往更稳健（类似机器学习里的 Ensemble）。

四、5.3 混合方法怎么分类？

Burke 提出 7 种混合策略 ；教材归纳为 三大设计架构 + 两种组合维度。

4.1 5.3.2 基推荐器间依赖关系（三种架构）

这是理解全章的「总地图」：
串行式 Pipelined
算法A
算法B
输出
并行式 Parallel
算法A
融合层
算法B
整体式 Monolithic
一个算法内部
多种特征/知识源

架构	英文	结构	改造难度	典型策略
整体式	Monolithic	一个推荐器内部融合多源	中（改特征/模型）	特征组合、特征扩充
并行式	Parallelized	多个推荐器同时跑，再合并结果	低（后处理融合）	加权、切换、排序混合
串行式	Pipelined	流水线，上游输出给下游	高（接口设计）	级联、级联学习

记忆口诀：

整体式：一个锅炒多种料（特征进同一个模型）。
并行式：两个厨师各做一道菜，最后拼盘。
串行式：先粗筛，再精排（工厂流水线）。

4.2 5.3.1 有监督组合 vs 无监督组合

类型	是否用标注（评分）学怎么混	例子
无监督	否，权重/规则人工定	β₁=0.5, β₂=0.5 固定加权
有监督	是，用历史评分优化权重	最小化 MAE 学 β；Netflix 回归集成

公式（加权有监督，教材 Formula 5.5）：

MAE=1∣R∣∑ri∈R∣∑k=1nβk⋅reck(u,i)−ri∣\text{MAE} = \frac{1}{|R|} \sum_{r_i \in R} \left| \sum_{k=1}^{n} \beta_k \cdot \text{rec}_k(u,i) - r_i \right|MAE=∣R∣1ri∈R∑ k=1∑nβk⋅reck(u,i)−ri

在用户已评分物品上搜索/学习 β，使预测误差最小。

切换的极端情况 ：动态权重里某个 βₖ→1、其余→0，等价于 切换式混合。

4.3 Burke 七种策略 ↔ 教材章节对照

Burke 策略	教材节	架构
Weighted 加权	5.4.1	并行
Switching 切换	5.4.2	并行
Mixed 混合展示	5.4.3 排序混合	并行
Cascade 级联	5.5.1	串行
Meta-level 元级	5.5.2 级联学习	串行
Feature combination	5.6.1	整体
Feature augmentation	5.6.2	整体

五、5.4 并行式混合 ------「各算各的，再合并」

三个推荐器同时对用户--物品打分，融合层出最终结果。对现有系统 侵入最小（加一个后处理模块即可）。

5.1 5.4.1 加权式混合（Weighted）

做法：各算法得分加权求和。

recweighted(u,i)=∑k=1nβk⋅reck(u,i),∑βk=1\text{rec}{\text{weighted}}(u,i) = \sum{k=1}^{n} \beta_k \cdot \text{rec}_k(u,i), \quad \sum \beta_k = 1recweighted(u,i)=k=1∑nβk⋅reck(u,i),∑βk=1

数值例子（教材 Table 5.6）：

物品	CF 分	CB 分	加权(0.5/0.5)
Item1	0.5	0.8	0.65
Item2	0	0.9	0.45
Item3	0.3	0.4	0.35

要点：

各算法分数要在 同一量纲（都归一化到 0--1 或 1--5）。
权重可 全局固定 ，也可 按用户/按物品动态（P-Tango 系统：物品被评越多，CF 权重越大）。
Netflix 冠军方案本质就是 高级加权集成。

生活类比：两位评委打分，按 6:4 合成总分。

5.2 5.4.2 切换式混合（Switching）

做法：不混合，而是 规则决定此刻用哪一个算法。

∃k:recswitching(u,i)=reck(u,i)\exists k : \text{rec}_{\text{switching}}(u,i) = \text{rec}_k(u,i)∃k:recswitching(u,i)=reck(u,i)

常见切换条件：

条件	用谁
新用户，评分 < N	热门 / 内容 / 知识
CF 置信度低	内容推荐
用户正在填规格表单	知识约束推荐
级联结果不足 N 条	回退到加权混合（Zanker 方案）

NewsDude 新闻推荐（教材） ：

先试内容最近邻 → 找不到再用 CF 跨体裁 → 最后用朴素贝叶斯匹配长期兴趣。

生活类比 ：自动档汽车------平路用经济模式，爬坡切换运动模式；同一时刻只用一个引擎。

关键：切换规则（Oracle）设计得好不好，决定系统上限。

5.3 5.4.3 排序混合（Mixed / Rank Fusion）

做法：各算法 各自出 Top-N 列表 ，再在 排序层面 合并，而不是简单对同一批物品加权。

常见手段：

分块展示：界面左边「猜你喜欢(CF)」，右边「相似内容(CB)」------ Burke Mixed。
投票 / Borda：在多个列表里出现越多次、排名越靠前 → 综合分越高。
旅游套餐 ：住宿、活动、交通各一个推荐器，CSP 求解器保证 套餐一致（距离、日期约束）。

与加权的区别：

加权：通常对 同一候选集 上的分数融合。
排序混合 ：候选集可以不同，融合的是 名次信息。

工业界：多路召回（CF 一路、向量一路、热门一路）→ 合并去重 → 精排，与「排序混合 + 级联」思想一致。

六、5.5 串行式混合 ------「流水线，上游喂下游」

6.1 5.5.1 级联过滤（Cascade）

做法：算法 1 先出候选；算法 2 只能在算法 1 的结果里 重排或剔除，不能新增 算法 1 没推荐的物品。

规则（教材 Formula 5.7）：

最终分 = 最后一级算法的分。
对 k≥2：若上一级对物品 i 打分为 0，则本级也必须为 0。

典型用法：

复制代码

知识约束（筛出 50 台合规相机） → 协同过滤（按相似用户排序）

Entree 餐厅：知识推荐出列表 → CF 打破平分、排序。

优点：先保证 可行/相关 ，再优化 个性化 。
缺点：候选越级越少，可能 不够 N 条 → 常与切换联用（不够则换加权）。

生活类比 ：高考 先过线（级联过滤） ，再 按总分排名（重排）；没过线的不进排名池。

6.2 5.5.2 级联学习（Meta-level / 元级混合）

做法：上一级输出的不是「推荐列表」，而是 模型/画像，供下一级使用。

recmeta(u,i)=recn(u,i,modeln−1)\text{rec}_{\text{meta}}(u,i) = \text{rec}n(u, i, \text{model}{n-1})recmeta(u,i)=recn(u,i,modeln−1)

经典例子：Fab 系统（教材）

内容推荐 根据新闻关键词建 用户兴趣向量。
协同过滤 不用原文，而是在 内容向量空间 里找相似用户 → 推荐他们读过的文章。

这叫 Collaboration via Content（通过内容做协同）。

Content-boosted CF（Melville，特征扩充的串行思想）：

缺评分处用 内容预测分 填成伪评分。
再跑协同过滤（见 5.6.2）。

与级联过滤的区别：

	级联过滤	级联学习
上游输出	候选物品列表	用户模型 / 特征 / 规则
下游作用	重排、删 item	用模型做 CF/KB 推理
例子	约束→CF 排序	Fab、伪评分 CF

七、5.6 整体式混合 ------「一个模型吃所有料」

两个推荐器 在代码/模型内部融合 ，不是跑完再合并。改造算法本身，但 部署为一个服务。

7.1 5.6.1 特征组合（Feature Combination）

做法：把 CF、CB、KB 的信息 变成同一套特征 ，喂给一个学习器（决策树、规则学习、神经网络等）。

Basu 等（购书例子，教材 Table 5.2--5.3）：

原始：用户买了哪些书 + 书是什么体裁。
组合特征：User_likes_many_mystery、User_likes_some_romance ...
发现：Alice 与 User1 购书重叠相似，但 组合特征后 User1 更像 Alice（都爱 mystery）。

公式层面：特征向量 = [协同特征 ∥ 内容特征 ∥ 知识特征]。

优点：实现概念清晰，工业界极常见（推荐模型输入里同时有 user_id、item_id、类目、文本 embedding）。
缺点：特征工程工作量大。

7.2 5.6.2 特征扩充（Feature Augmentation）

做法：一个算法 先算中间结果 ，作为 另一个算法的输入特征（比特征组合耦合更深）。

Content-boosted CF（教材 Formula 5.2）：

用户 u 对物品 i 若无评分，用内容模型预测 → 伪评分 c_{u,i}。
评分矩阵补全后，做 加权 Pearson 协同过滤。
对评分少的用户，提高内容预测权重 s_w（更信内容，少信邻居）。

直觉：新用户/新物品内容信息多、行为少 → 让内容「撑」协同过滤。

与特征组合区别：

组合：一次性拼特征，一个模型学。
扩充：A 的输出 动态注入 B 的输入（常为两阶段紧耦合）。

7.3 5.6.3 基于图模型的混合

做法：把用户、物品、属性、标签、知识实体放在 同一张异质图 上，用 随机游走、元路径、图神经网络 统一表示与传播。
评分
属于
提及
点击
用户
物品
类目
知识实体

为何算混合？

图里同时有 协同边 （user--item）、内容边 （item--feature）、知识边（item--entity--entity）。
一次游走/传播 = 多种推荐范式 在结构上融合。

例子（与后文第 11 章呼应）：

RippleNet：偏好沿知识图谱多跳传播 + 预测层。
HIN 随机游走：用户--物品--类目多种路径算相关度。
PinSage / GraphSAGE：工业级图召回。

优点：能挖 高阶关系 （买了 A 的用户还看了知识图谱里与 A 相关的 B）。
缺点：图构建与训练成本高。

八、工业界怎么落地？（串起全章）

现代推荐多是 「并行召回 + 串行级联 + 整体式精排」 的组合：
并行式 · 多路召回
CF 召回
向量/内容召回
热门/知识规则
合并去重 · 排序混合思想
整体式精排模型
级联 · 业务规则/多样性
展示

阶段	对应本章	例子
多路召回	5.4 并行（切换/混合）	淘宝多路召回通道
合并	5.4.3 排序混合	按 Borda/频次合并
精排	5.6 整体式	DeepFM、Wide&Deep（多特征组合）
重排	5.5.1 级联	多样性、已读过滤、广告混排

新用户策略：5.4.2 切换 --- 行为少 → 内容/热门；行为够 → CF。

九、三种架构怎么选？

若你...	优先考虑
已有 CF 系统，想快速加内容	并行加权（5.4.1）
新用户/新物品多	切换（5.4.2）+ 内容/热门
有大件硬约束（4.4 知识）	级联（5.5.1）：先 KB 后 CF
要做统一深度模型	特征组合（5.6.1）
评分极稀疏	特征扩充（5.6.2）
有知识图谱 + 行为	图混合（5.6.3）

工程成本：并行 < 整体式 < 串行（教材 5.5 节讨论总结）。

十、与前几章的关系

章节	在混合中的角色
第2章邻域 CF	并行/级联后段、加权一路
第3章矩阵分解	Netflix 式集成核心；精排特征
第4章内容/知识	冷启动、召回、级联前段约束
第5章	把上面「零件」组装成系统
第6章评测	混合后更需 A/B 与多指标

十一、本章小结（背诵版）

动机：单算法有死角；Netflix 证明 集成有效。
三架构：整体式（一个模型）、并行式（各算各的再融）、串行式（流水线）。
并行三件套：加权、切换、排序混合。
串行两件套：级联过滤（列表→列表）、级联学习（模型→模型）。
整体两件套 + 图：特征组合、特征扩充、图模型统一多源关系。
有/无监督：权重固定 vs 用评分学习权重。
工业标配：多路召回（并行）+ 精排（整体）+ 重排（级联）。

十二、常见误区

误区	正解
混合 = 把几个列表随便拼	需统一量纲、去重、冲突消解（CSP/规则）
权重越多越好	过多模型增加延迟与维护；要 A/B 验证
级联一定比并行好	级联会缩小候选；要备切换/回退
Netflix 只考 RMSE	业务还要看多样性、新颖性、营收
深度学习取代一切混合	深度模型内部仍是多特征源组合（整体式混合）

十三、面试题速记

混合推荐解决什么问题？

互补各算法短板，提升准确率、覆盖率、冷启动与可解释性。
加权 vs 切换 vs 级联？

加权：同时用、融合分；切换：择一用；级联：先粗后细、下游不改候选集。
特征组合 vs 特征扩充？

组合：特征拼一起一个模型；扩充：一算法输出作另一算法输入（如伪评分）。
Netflix Prize 启示？

矩阵分解 + 多模型集成 + 时间特征；单一 CF 不够。
有监督混合是什么？

用历史评分学习各推荐器权重（最小化 MAE/RMSE）。
工业界召回和精排对应哪种混合？

多路召回≈并行+排序混合；精排≈整体式特征组合；重排≈级联。

十四、延伸阅读与后续章节

Burke, R. (2002). Hybrid recommender systems: Survey and experiments.
Bell et al. (2007). The BellKor solution to the Netflix Prize.
本书 第 6 章：混合系统如何评测（RMSE、Precision@N、多样性）。
本书 第 11 章：异质信息网络与图混合的深度展开。

文档风格与 p19_4_基于内容和知识的推荐.md 一致；代码实践可参考后续 p22_* 混合推荐示例（待补充）。

第5章 混合推荐系统 — 通俗讲解