Statsbot數(shù)據(jù)科學(xué)家Daniil Korbut簡明扼要地介紹了用于推薦系統(tǒng)的主流機(jī)器學(xué)習(xí)算法：協(xié)同過濾、矩陣分解、聚類、深度學(xué)習(xí)。

現(xiàn)在有許多公司使用大數(shù)據(jù)來制定高度相關(guān)的建議以提高收入。數(shù)據(jù)科學(xué)家需要根據(jù)業(yè)務(wù)的限制和需求，在各種推薦算法中選擇最好的算法。

為了簡化這一任務(wù)，Statsbot團(tuán)隊(duì)準(zhǔn)備了一份現(xiàn)有主要推薦系統(tǒng)算法的概覽。

協(xié)同過濾

協(xié)同過濾（collaborative filtering, CF）及其改版是最常用的推薦算法之一。 即使是數(shù)據(jù)科學(xué)初學(xué)者也可以使用它來構(gòu)建他們的個(gè)人電影推薦系統(tǒng)，比如用它寫一個(gè)簡歷項(xiàng)目。

當(dāng)我們想向用戶推薦東西時(shí)，最符合邏輯的做法是找到有相似興趣的人，分析他們的行為，然后給我們的用戶推薦相同的東西。 或者我們可以查看與用戶之前所購類似的物品，并進(jìn)行相應(yīng)的推薦。

這正是CF的兩種基本方法：基于用戶的協(xié)作過濾和基于物品的協(xié)作過濾。

在這兩種情形下，推薦引擎分兩步：

1. 找出數(shù)據(jù)庫中有多少用戶/物品與給定的用戶/物品類似。

2. 評(píng)估其他用戶/物品，這一評(píng)估基于比待評(píng)估用戶/物品更相似的用戶/物品的總權(quán)重，以預(yù)測(cè)給用戶推薦相應(yīng)產(chǎn)品的評(píng)分。

算法中的“最相似”是什么意思？

假設(shè)我們有一個(gè)表示每個(gè)用戶的偏好的向量（矩陣 R的行）和一個(gè)表示用戶給每件產(chǎn)品評(píng)分的向量（矩陣 R的列）。

首先，讓我們?nèi)コ恍┰兀槐Ａ魞蓚€(gè)向量中值均已知的元素。

例如，如果我們想比較比爾和簡，我們可以看到，比爾還沒有看過《泰坦尼克號(hào)》，而簡到現(xiàn)在為止還沒看過《蝙蝠俠》，所以我們只能通過《星球大戰(zhàn)》來衡量他們的相似性。怎么會(huì)有人不看《星球大戰(zhàn)》，是吧？:)

最流行的衡量相似性的技術(shù)是用戶/物品向量之間的余弦相似性或加權(quán)平均數(shù)。

矩陣分解

下一個(gè)有趣的算法是矩陣分解。這是一個(gè)非常優(yōu)雅的推薦算法，因?yàn)槭褂镁仃嚪纸鈺r(shí)通常不用考慮要在結(jié)果矩陣的列和行中保留的物品。

u是第i個(gè)用戶的興趣向量，v是表示第j部電影的參數(shù)的向量。因此，我們可以使用u和v的點(diǎn)積來逼近x（第i個(gè)用戶對(duì)第j部電影的評(píng)分）。我們使用已知評(píng)分來構(gòu)建這些向量，并使用它們來預(yù)測(cè)未知評(píng)分。

例如，我們有表示用戶特德的向量(1.4; .9)和表示電影A的向量(1.4; .8)，矩陣分解之后我們可以直接通過計(jì)算(1.4; .9)和(1.4; .8)的點(diǎn)積來還原電影A——特德的評(píng)分，結(jié)果為2.68。

聚類

前面兩個(gè)推薦算法非常簡單，比較適合小型系統(tǒng)。到目前為止，我們將推薦問題看作一個(gè)監(jiān)督學(xué)習(xí)任務(wù)?，F(xiàn)在到了應(yīng)用無監(jiān)督方法來解決這個(gè)問題的時(shí)候了。

想象一下，我們正在建立一個(gè)大型推薦系統(tǒng)，協(xié)同過濾和矩陣分解會(huì)花很長時(shí)間。這時(shí)第一個(gè)想到的應(yīng)該是聚類（clustering）。

根據(jù)屬于同一聚類的所有客戶的偏好，每個(gè)聚類會(huì)被分配一個(gè)典型偏好。每個(gè)聚類中的客戶將收到在聚類層次計(jì)算出的推薦。

業(yè)務(wù)初期缺乏用戶評(píng)分，因此聚類會(huì)是最佳選擇。

不過，單獨(dú)使用的話，聚類有點(diǎn)弱。因?yàn)橥ㄟ^聚類，我們識(shí)別出用戶群組，然后給同一群組中的每個(gè)用戶都推薦相同的物品。當(dāng)我們有足夠多的數(shù)據(jù)的時(shí)候，更好的選擇是將聚類作為第一步，用來調(diào)整相關(guān)用戶/物品選取，以供協(xié)同過濾算法使用。聚類也能提升復(fù)雜推薦系統(tǒng)的性能。

深度學(xué)習(xí)

十年來，神經(jīng)網(wǎng)絡(luò)有一個(gè)巨大的飛躍。今天，神經(jīng)網(wǎng)絡(luò)被應(yīng)用到許多領(lǐng)域，正逐漸取代傳統(tǒng)的機(jī)器學(xué)習(xí)方法。我想談一下YouTube使用的深度學(xué)習(xí)方法。

毫無疑問，為這樣的服務(wù)打造推薦系統(tǒng)是一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)，因?yàn)檫@一服務(wù)的規(guī)模很大，語料庫是動(dòng)態(tài)的，還有各種難以觀察的外部因素。

根據(jù)《YouTube推薦系統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)》，YouTube推薦系統(tǒng)算法包括兩個(gè)神經(jīng)網(wǎng)絡(luò)：一個(gè)用于生成候選視頻，另一個(gè)用于排名。如果你沒有足夠的時(shí)間閱讀上面的論文，我這里有一個(gè)快速總結(jié)。

接受用戶的歷史事件作為輸入，候選生成網(wǎng)絡(luò)顯著減少了視頻的數(shù)量，從一個(gè)巨大的語料庫抽取出一組相關(guān)性最高的視頻。生成的候選視頻是最和用戶相關(guān)的，我們即將預(yù)測(cè)用戶給候選視頻的評(píng)分。這個(gè)網(wǎng)絡(luò)的目標(biāo)只是通過協(xié)同過濾來提供一些范圍較廣的個(gè)性化候選視頻。

接下來我們需要更仔細(xì)地分析這些候選視頻，以挑選出其中最好的視頻。我們通過評(píng)分網(wǎng)絡(luò)完成這一任務(wù)，評(píng)分網(wǎng)絡(luò)可以通過一個(gè)期望目標(biāo)函數(shù)給每個(gè)視頻賦值一個(gè)分?jǐn)?shù)，該期望目標(biāo)函數(shù)使用描述視頻的數(shù)據(jù)和有關(guān)用戶行為的信息。評(píng)分最高的那些視頻將被推薦給用戶。

使用這一兩步方法，我們可以基于一個(gè)非常巨大的視頻語料庫推薦視頻，同時(shí)保證推薦的少量視頻是個(gè)性化的。這一設(shè)計(jì)也允許我們混合從其他來源生成的候選視頻。

這一推薦任務(wù)構(gòu)成了一個(gè)極端多類分類（extreme multiclass classification）問題，基于用戶（U）和情境（C）精確地分類在給定時(shí)刻t觀看（wt）的特定視頻，這一視頻取自一個(gè)語料庫（V），總共有數(shù)百萬的視頻類別（i）。

構(gòu)建你自己的推薦系統(tǒng)

• 基于大型數(shù)據(jù)庫的在線推薦，最好的辦法是將這個(gè)問題拆分成兩個(gè)子問題：1）選擇排名最高的N個(gè)候選 2）對(duì)它們進(jìn)行評(píng)分。

• 如何評(píng)估模型質(zhì)量？除了標(biāo)準(zhǔn)的質(zhì)量指標(biāo)之外，還有一些特別針對(duì)推薦問題的指標(biāo)：Recall at K和Precision at K，Average Recall at K和Average Precision at K。另外可以參考《A Survey of Accuracy Evaluation Metrics of Recommendation Task》（JMLR 10 (2009)）

• 如果使用分類算法解決推薦問題，則應(yīng)考慮生成負(fù)樣本。如果用戶購買了推薦的物品，不應(yīng)將其作為正樣本，也不應(yīng)將未購買的推薦物品作為負(fù)樣本。

• 基于在線分?jǐn)?shù)和離線分?jǐn)?shù)考量算法質(zhì)量。 僅使用歷史數(shù)據(jù)的訓(xùn)練模型可能導(dǎo)向簡陋的推薦系統(tǒng)，因?yàn)樵撍惴ú恢佬碌某绷骱推谩?/p>