推薦系統

出自 MBA智库百科(https://wiki.mbalib.com/)

　　推薦系統是一種信息過濾系統，用於預測用戶對物品的“評分”或“偏好”。

　　推薦系統近年來非常流行，應用於各行各業。推薦的對象包括：電影、音樂、新聞、書籍、學術論文、搜索查詢、分眾分類、以及其他產品。也有一些推薦系統專門為尋找專家、合作者、笑話、餐廳、美食、金融服務、生命保險、網路交友，以及Twitter頁面設計。

　　推薦系統產生推薦列表的方式通常有兩種：協同過濾以及基於內容推薦，或者基於個性化推薦。協同過濾方法根據用戶歷史行為（例如其購買的、選擇的、評價過的物品等）結合其他用戶的相似決策建立模型。這種模型可用於預測用戶對哪些物品可能感興趣（或用戶對物品的感興趣程度）。基於內容推薦利用一些列有關物品的離散特征，推薦出具有類似性質的相似物品。兩種方法經常互相結合（參考混合推薦系統） 協同過濾和基於內容推薦的區別可以比較兩個流行的音樂推薦系統 --- Last.fm 和 Pandora Radio.

　　Last.fm 建立通過觀察用戶日常收聽的樂隊或歌手，並與其它用戶的行為進行比對，建立一個“電臺”，以此推薦歌曲。Last.fm 會播放不在用戶曲庫中，但其他相似用戶經常會播放的其它音樂。鑒於這種方式利用了用戶行為，因此可以認為它是協同過濾技術的一種應用範例。

　　Pandora 使用歌曲或者藝人的屬性（由音樂流派項目提供的400個屬性的子集）從而生成一個電臺，其中的樂曲都有相似的屬性。用戶的反饋用於精化電臺中的內容。在用戶“不喜歡”某一歌曲時，弱化某一些屬性；在用戶喜歡某一歌曲時，強化另一些屬性。這是一種基於內容推薦的方式。

　　每一種系統都有其長處與弱點。在上面的例子中，為了提供精準推薦，Last.fm 需要大量用戶信息。這是一個冷啟動問題，在協同過濾系統中是常見的問題。而 Pandora 啟動時則僅需要很少信息，然而這種方法的局限性很大（例如，這類方法只能得出與原始種子相似的推薦）。

　　推薦系統是一種有效代替搜索演算法的方式，因為他們幫助用戶找到一些他們自己沒有辦法找到的物品。有趣的是，推薦系統在實現之時通常使用搜索引擎對非傳統數據索引。 Montaner 從智能代理角度給出了有關推薦系統的第一篇綜述文章。Adomavicius給出了一種新的有關推薦系統的全景。Herlock提供了有關評價推薦系統的技術綜述。Beel等討論了離線評價中的問題。Beel等同事也提供了現有有關推薦系統的研究文獻與現存挑戰。