什么是推荐系统

互联网世界中，对于有着明确需求的用户，直接通过搜索引擎就能找到自己需要的商品；但是对于没有明确需求的用户，如何能找到自己需要的物品？

例如：炎炎夏日即将来临，用户想在某宝上买一件短袖，一打开某宝，在其中的搜索款输入短袖，会发现有成千上万个产品出现，各式各样的短袖，清新风格的、学院风格的、oversize风格的等等，用户需要从这些商品中找出自己想要的短袖，非常费时间精力，这个时候我们就想要一个工具来帮助我们筛选出来或者希望某宝能够更加聪明一点，直接展示用户想要的风格短袖。

用户需要一个自动化的工具，可以分析我们的历史兴趣，这样在下一次上网的时候，一眼就可以找到自己感兴趣的内容，这个工具就是个性化推荐系统。

推荐系统的任务

随着信息技术和互联网的发展，人们逐步从信息匮乏的时代走向了信息过载。对于信息消费者而言，从大量的信息中找到自己感兴趣的信息是一件非常困难的事情；对于信息生产者而言，让自己生产的信息脱颖而出，收到广大用户的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。

推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。

 那么推荐系统是如何将用户和物品联系起来呢？以看电影为例。

(1) 社会化推荐，让朋友给自己推荐物品

(2) 基于内容的推荐，假设用户非常喜欢某位明星的电影，于是就去搜索该明星的电影，发现他早年的一部电影都还没看过，于是就会去看一看。这种方式就是寻找和自己之前看过的电影在内容上相似的电影，推荐系统可以将上述过程自动化，通过分析用户增加看过的电影找到用户喜欢的演员和导演，然后给用户推荐这些演员或者导演的其他电影。

(3) 基于协同过滤的推荐，用户还可以通过查看排行榜，找一部广受好评的电影观看，这种方式可以进一步扩展：如果能找到和自己历史兴趣相似的一群用户，看看他们最近在看的电影，那么结果可能比宽泛的热门排行榜更能符合自己的兴趣。 

推荐系统测评 

什么才是一个好的推荐系统？这是推荐系统测评需要解决的首要问题。一个完整的推荐系统一般存在3个参与方：用户、物品提供者和提供推荐系统的网站。

 评测指标

1. 用户满意度：表示用户对于推荐的结果是否满意，主要是通过调查问卷的形式来获得用户的满意度；

2. 预测准确度：度量一个推荐系统或者推荐算法预测用户行为的能力；

3. 覆盖率：描述一个推荐系统对物品长尾的发掘能力。覆盖率有不同的定义方法，最简单的定义为推荐系统能够推荐出来的物品占总物品集合的比例；

4. 多样性：为了满足用户广泛的兴趣，推荐列表需要能够覆盖用户不同的兴趣领域，即推荐结果需要具有多样性；

5. 新颖性：指给用户推荐那些他们以前没有听过的物品；

6. 惊喜度：如果推荐的记过和用户的历史兴趣不相似，但是却可以让用户觉得满意，那么可以说推荐结果的惊喜度很高，而推荐的新颖性仅仅取决于用户是否听说过这个推荐结果。

7. 信任度：同样的推荐结果，以让用户信任的方式推荐给用户更能让用户产生购买欲；

8. 实时性：推荐系统需要实时的更新推荐列表来满足用户新的行为变化并且需要能够将新加入系统的物品推荐给用户；

9. 健壮性：任何一个能够带来利益的算法系统都会被人攻击，算法健壮性的测评主要利用模拟攻击。

推荐系统的应用 

和搜索引擎不同，个性化推荐系统需要依赖用户的行为数据，因此一般是作为一个应用存在于不同的网站中。在互联网的各类网站中都可以看到推荐系统的应用，个性化推荐系统在这些网站中主要作用是通过分析大量用户行为日志，给不同用户提供不同的个性化页面展示，来提高网站的点击率和转化率。

广泛利用推荐系统的领域包括电子商务、电影和视频、音乐、社交网络、阅读、基于位置的服务、个性化邮件和广告等。

————————————————

版权声明：本文为CSDN博主「Lavender-csdn」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/kidchildcsdn/java/article/details/106171206