推薦系統(tǒng)實踐

前言

　　說起本書，還要追溯到2010年3月份的ResysChina推薦系統(tǒng)大會。在那次會議上，我遇到了劉江老師。劉老師看過我之前寫的一些推薦系統(tǒng)方面的博客，希望我能總結(jié)總結(jié)，寫本簡單的書。當時國內(nèi)還沒有推薦系統(tǒng)方面的書，而國外已經(jīng)有這方面的專業(yè)書了，因此圖靈公司很想出版一本介紹推薦系統(tǒng)的書。所以，去年7月博士畢業(yè)時，我感覺有時間可以總結(jié)一下這方面的工作了，于是準備開始寫這本書?！　戇@本書的目的有下面幾個。首先，從個人角度講，雖然寫博士論文時已經(jīng)總結(jié)了讀博期間在推薦系統(tǒng)方面的工作，但并沒有全部涉及整個推薦系統(tǒng)的各個方面，因此我很希望通過寫作這本書全面地閱讀一下相關(guān)的文獻，并在此基礎(chǔ)上總結(jié)一下推薦系統(tǒng)各個方面的發(fā)展現(xiàn)狀，供大家參考。其次，最近幾年從事推薦系統(tǒng)研究的人越來越多，這些人中有些原來是工程師，對機器學習和數(shù)據(jù)挖掘不太了解，有些是在校學生，雖然對數(shù)據(jù)挖掘和機器學習有所了解，卻對業(yè)界如何實現(xiàn)推薦系統(tǒng)不太清楚。因此，我希望能夠通過本書讓工程師了解推薦系統(tǒng)的相關(guān)算法，讓學生了解如何將自己了解的算法實現(xiàn)到一個真實的工業(yè)系統(tǒng)中去?！　∫话阏J為，推薦系統(tǒng)這個研究領(lǐng)域源于協(xié)同過濾算法的提出。這么說來，推薦系統(tǒng)誕生快20年了。這期間，很多學者和公司對推薦系統(tǒng)的發(fā)展起到了重要的推動作用，各種各樣的推薦算法也層出不窮。本書希望將這20年間誕生的典型方法進行總結(jié)。但由于方法太多，這些方法的歸類有很多不同的方式。比如，可以按照數(shù)據(jù)分成協(xié)同過濾、內(nèi)容過濾、社會化過濾，也可以按照算法分成基于鄰域的算法、基于圖的算法、基于矩陣分解或者概率模型的算法。為了方便讀者入門，本書基本采用數(shù)據(jù)分類的方法，每一章都介紹了一種可以用于推薦系統(tǒng)設(shè)計的、新類型的用戶數(shù)據(jù)，然后介紹如何通過各種方法利用該數(shù)據(jù)，最后在公開數(shù)據(jù)集上評測這些方法。當然，不是所有數(shù)據(jù)都有公開的數(shù)據(jù)集，并且不是所有算法都可以進行離線評測。因此，在遇到?jīng)]有數(shù)據(jù)集或無法進行離線評測的問題時，本書引用了一些著名學者的實驗結(jié)果來說明各種方法的效果?！　榱耸贡緯瑫r適合工程師和在校學生閱讀，本書在寫作中同時使用了兩種介紹方法。一種是利用公式，這樣方便有一些理論基礎(chǔ)的同學很快明白算法的含義。另一種是利用代碼，這樣可以方便工程師迅速了解算法的含義。不過因為本人是學生出身，工程經(jīng)驗還不是特別足，所以有些代碼寫得不是那么完美，還請工程師們海涵?！　”緯婚_始寫的時候有3位作者，除了我之外還有豆瓣的陳義和騰訊的王益。他們兩位都是這方面的前輩，在寫作過程中提出了很多寶貴的意見。但因為二位工作實在太繁忙，所以本書主要由我操刀。但書中的很多論述融合了大家的思想和經(jīng)驗，是我們很多次討論的結(jié)果。因此在這里感謝王益和陳義二位合作者，雖然二位沒有動筆，但對這本書做出了很大的貢獻。　　其次，還要感謝吳軍老師和谷文棟為本書作序。感謝谷文棟、穩(wěn)國柱、張夏天各自審閱了書中部分內(nèi)容，提出了很多寶貴的意見。感謝我在Hulu的同事鄭華和李航，鄭華給了我充分的時間完成這本書，對這本書能夠按時出版功不可沒，而李航審閱了書中的部分內(nèi)容，提出了很多有價值的修改意見。　　最后感謝我的父母和妻子，他們在我寫作過程中給予了很大照顧，感謝他們的辛勤付出。

內(nèi)容概要

《推薦系統(tǒng)實踐》通過大量代碼和圖表全面系統(tǒng)地闡述了和推薦系統(tǒng)有關(guān)的理論基礎(chǔ)，介紹了評價推薦系統(tǒng)優(yōu)劣的各種標準(比如覆蓋率、滿意度)和方法(比如AB
測試)，總結(jié)了當今互聯(lián)網(wǎng)領(lǐng)域中各種和推薦有關(guān)的產(chǎn)品和服務(wù)。另外，本書為有興趣開發(fā)推薦系統(tǒng)的讀者給出了設(shè)計和實現(xiàn)推薦系統(tǒng)的方法與技巧，并解答了在真實場景中應(yīng)用推薦技術(shù)時最常遇到的一些問題。
《推薦系統(tǒng)實踐》適合對推薦技術(shù)感興趣的讀者學習參考。

作者簡介

項亮
畢業(yè)于中國科學技術(shù)大學和中國科學院自動化所，研究方向為機器學習和推薦系統(tǒng)，現(xiàn)任職于北京Hulu軟件技術(shù)開發(fā)有限公司，從事視頻推薦的研究和開發(fā)。2009年參加Netflix
Prize推薦系統(tǒng)比賽獲得團體第二名，且于當年參與創(chuàng)建了Resys China推薦系統(tǒng)社區(qū)。

書籍目錄

第1章　好的推薦系統(tǒng)　1<br>
1.1　什么是推薦系統(tǒng)　1<br>
1.2　個性化推薦系統(tǒng)的應(yīng)用　4<br>
1.2.1　電子商務(wù)　4<br>
1.2.2　電影和視頻網(wǎng)站　8<br>
1.2.3　個性化音樂網(wǎng)絡(luò)電臺　10<br>
1.2.4　社交網(wǎng)絡(luò)　12<br>
1.2.5　個性化閱讀　15<br>
1.2.6　基于位置的服務(wù)　16<br>
1.2.7　個性化郵件　17<br>
1.2.8　個性化廣告　18<br>
1.3　推薦系統(tǒng)評測　19<br>
1.3.1　推薦系統(tǒng)實驗方法　20<br>
1.3.2　評測指標　23<br>
1.3.3　評測維度　34<br>
<br>
第2章　利用用戶行為數(shù)據(jù)　35<br>
2.1　用戶行為數(shù)據(jù)簡介　36<br>
2.2　用戶行為分析　39<br>
2.2.1　用戶活躍度和物品流行度的分布　39<br>
2.2.2　用戶活躍度和物品流行度的關(guān)系　41<br>
2.3　實驗設(shè)計和算法評測　41<br>
2.3.1　數(shù)據(jù)集　42<br>
2.3.2　實驗設(shè)計　42<br>
2.3.3　評測指標　42<br>
2.4　基于鄰域的算法　44<br>
2.4.1　基于用戶的協(xié)同過濾算法　44<br>
2.4.2　基于物品的協(xié)同過濾算法　51<br>
2.4.3　UserCF和ItemCF的綜合比較　59<br>
2.5　隱語義模型　64<br>
2.5.1　基礎(chǔ)算法　64<br>
2.5.2　基于LFM的實際系統(tǒng)的例子　70<br>
2.5.3　LFM和基于鄰域的方法的比較　72<br>
2.6　基于圖的模型　73<br>
2.6.1　用戶行為數(shù)據(jù)的二分圖表示　73<br>
2.6.2　基于圖的推薦算法　73<br>
<br>
第3章　推薦系統(tǒng)冷啟動問題　78<br>
3.1　冷啟動問題簡介　78<br>
3.2　利用用戶注冊信息　79<br>
3.3　選擇合適的物品啟動用戶的興趣　85<br>
3.4　利用物品的內(nèi)容信息　89<br>
3.5　發(fā)揮專家的作用　94<br>
<br>
第4章　利用用戶標簽數(shù)據(jù)　96<br>
4.1　UGC標簽系統(tǒng)的代表應(yīng)用　97<br>
4.1.1　Delicious　97<br>
4.1.2　CiteULike　98<br>
4.1.3　Last.fm　98<br>
4.1.4　豆瓣　99<br>
4.1.5　Hulu　99<br>
4.2　標簽系統(tǒng)中的推薦問題　100<br>
4.2.1　用戶為什么進行標注　100<br>
4.2.2　用戶如何打標簽　101<br>
4.2.3　用戶打什么樣的標簽　102<br>
4.3　基于標簽的推薦系統(tǒng)　103<br>
4.3.1　實驗設(shè)置　104<br>
4.3.2　一個最簡單的算法　105<br>
4.3.3　算法的改進　107<br>
4.3.4　基于圖的推薦算法　110<br>
4.3.5　基于標簽的推薦解釋　112<br>
4.4　給用戶推薦標簽　115<br>
4.4.1　為什么要給用戶推薦標簽　115<br>
4.4.2　如何給用戶推薦標簽　115<br>
4.4.3　實驗設(shè)置　116<br>
4.4.4　基于圖的標簽推薦算法　119<br>
4.5　擴展閱讀　119<br>
<br>
第5章　利用上下文信息　121<br>
5.1　時間上下文信息　122<br>
5.1.1　時間效應(yīng)簡介　122<br>
5.1.2　時間效應(yīng)舉例　123<br>
5.1.3　系統(tǒng)時間特性的分析　125<br>
5.1.4　推薦系統(tǒng)的實時性　127<br>
5.1.5　推薦算法的時間多樣性　128<br>
5.1.6　時間上下文推薦算法　130<br>
5.1.7　時間段圖模型　134<br>
5.1.8　離線實驗　136<br>
5.2　地點上下文信息　139<br>
5.3　擴展閱讀　143<br>
<br>
第6章　利用社交網(wǎng)絡(luò)數(shù)據(jù)　144<br>
6.1　獲取社交網(wǎng)絡(luò)數(shù)據(jù)的途徑　144<br>
6.1.1　電子郵件　145<br>
6.1.2　用戶注冊信息　146<br>
6.1.3　用戶的位置數(shù)據(jù)　146<br>
6.1.4　論壇和討論組　146<br>
6.1.5　即時聊天工具　147<br>
6.1.6　社交網(wǎng)站　147<br>
6.2　社交網(wǎng)絡(luò)數(shù)據(jù)簡介　148<br>
　　 社交網(wǎng)絡(luò)數(shù)據(jù)中的長尾分布　149<br>
6.3　基于社交網(wǎng)絡(luò)的推薦　150<br>
6.3.1　基于鄰域的社會化推薦算法　151<br>
6.3.2　基于圖的社會化推薦算法　152<br>
6.3.3　實際系統(tǒng)中的社會化推薦算法　153<br>
6.3.4　社會化推薦系統(tǒng)和協(xié)同過濾推薦系統(tǒng)　155<br>
6.3.5　信息流推薦　156<br>
6.4　給用戶推薦好友　159<br>
6.4.1　基于內(nèi)容的匹配　161<br>
6.4.2　基于共同興趣的好友推薦　161<br>
6.4.3　基于社交網(wǎng)絡(luò)圖的好友推薦　161<br>
6.4.4　基于用戶調(diào)查的好友推薦算法對比　164<br>
6.5　擴展閱讀　165<br>
<br>
第7章　推薦系統(tǒng)實例　166<br>
7.1　外圍架構(gòu)　166<br>
7.2　推薦系統(tǒng)架構(gòu)　167<br>
7.3　推薦引擎的架構(gòu)　171<br>
7.3.1　生成用戶特征向量　172<br>
7.3.2　特征-物品相關(guān)推薦　173<br>
7.3.3　過濾模塊　174<br>
7.3.4　排名模塊　174<br>
7.4　擴展閱讀　178<br>
<br>
第8章　評分預(yù)測問題　179<br>
8.1　離線實驗方法　180<br>
8.2　評分預(yù)測算法　180<br>
8.2.1　平均值　180<br>
8.2.2　基于鄰域的方法　184<br>
8.2.3　隱語義模型與矩陣分解模型　186<br>
8.2.4　加入時間信息　192<br>
8.2.5　模型融合　193<br>
8.2.6　Netflix Prize的相關(guān)實驗結(jié)果　195<br>
<br>
后記　196

章節(jié)摘錄

版權(quán)頁：   插圖：    眾所周知，為了解決信息過載的問題，已經(jīng)有無數(shù)科學家和工程師提出了很多天才的解決方案，其中代表性的解決方案是分類目錄和搜索引擎。而這兩種解決方案分別催生了互聯(lián)網(wǎng)領(lǐng)域的兩家著名公司——雅虎和谷歌。著名的互聯(lián)網(wǎng)公司雅虎憑借分類目錄起家，而現(xiàn)在比較著名的分類目錄網(wǎng)站還有國外的DMOZ、國內(nèi)的Hao123等。這些目錄將著名的網(wǎng)站分門別類，從而方便用戶根據(jù)類別查找網(wǎng)站。但是隨著互聯(lián)網(wǎng)規(guī)模的不斷擴大，分類目錄網(wǎng)站也只能覆蓋少量的熱門網(wǎng)站，越來越不能滿足用戶的需求。因此，搜索引擎誕生了。以谷歌為代表的搜索引擎可以讓用戶通過搜索關(guān)鍵詞找到自己需要的信息。但是，搜索引擎需要用戶主動提供準確的關(guān)鍵詞來尋找信息，因此不能解決用戶的很多其他需求，比如當用戶無法找到準確描述自己需求的關(guān)鍵詞時，搜索引擎就無能為力了。和搜索引擎一樣，推薦系統(tǒng)也是一種幫助用戶快速發(fā)現(xiàn)有用信息的工具。和搜索引擎不同的是，推薦系統(tǒng)不需要用戶提供明確的需求，而是通過分析用戶的歷史行為給用戶的興趣建模，從而主動給用戶推薦能夠滿足他們興趣和需求的信息。因此，從某種意義上說，推薦系統(tǒng)和搜索引擎對于用戶來說是兩個互補的工具。搜索引擎滿足了用戶有明確目的時的主動查找需求，而推薦系統(tǒng)能夠在用戶沒有明確目的的時候幫助他們發(fā)現(xiàn)感興趣的新內(nèi)容。 從物品的角度出發(fā)，推薦系統(tǒng)可以更好地發(fā)掘物品的長尾（long tail）。美國《連線》雜志主編Chris Anderson在2004年發(fā)表了“The Long Tail”（長尾）一文并于2006年出版了《長尾理論》一書。該書指出，傳統(tǒng)的80／20原則（80%的銷售額來自于20％的熱門品牌）在互聯(lián)網(wǎng)的加入下會受到挑戰(zhàn)?；ヂ?lián)網(wǎng)條件下，由于貨架成本極端低廉，電子商務(wù)網(wǎng)站往往能出售比傳統(tǒng)零售店更多的商品。雖然這些商品絕大多數(shù)都不熱門，但與傳統(tǒng)零售業(yè)相比，這些不熱門的商品數(shù)量極其龐大，因此這些長尾商品的總銷售額將是一個不可小覷的數(shù)字，也許會超過熱門商品（即主流商品）帶來的銷售額。主流商品往往代表了絕大多數(shù)用戶的需求，而長尾商品往往代表了一小部分用戶的個性化需求。因此，如果要通過發(fā)掘長尾提高銷售額，就必須充分研究用戶的興趣，而這正是個性化推薦系統(tǒng)主要解決的問題。推薦系統(tǒng)通過發(fā)掘用戶的行為，找到用戶的個性化需求，從而將長尾商品準確地推薦給需要它的用戶，幫助用戶發(fā)現(xiàn)那些他們感興趣但很難發(fā)現(xiàn)的商品。 要了解推薦系統(tǒng)是如何工作的，可以先回顧一下現(xiàn)實社會中用戶面對很多選擇時做決定的過程。仍然以看電影為例，一般來說，我們可能用如下方式?jīng)Q定最終看什么電影。 向朋友咨詢。我們也許會打開聊天工具，找?guī)讉€經(jīng)?？措娪暗暮门笥眩瑔枂査麄冇袥]有什么電影可以推薦。甚至，我們可以打開微博，發(fā)表一句“我要看電影”，然后等待熱心人推薦電影。這種方式在推薦系統(tǒng)中稱為社會化推薦（social recommendation），即讓好友給自己推薦物品。 我們一般都有喜歡的演員和導演，有些人可能會打開搜索引擎，輸入自己喜歡的演員名，然后看看返回結(jié)果中還有什么電影是自己沒有看過的。比如我非常喜歡周星馳的電影，于是就去豆瓣搜索周星馳，發(fā)現(xiàn)他早年的一部電影我還沒看過，于是就會看一看。這種方式是尋找和自己之前看過的電影在內(nèi)容上相似的電影。推薦系統(tǒng)可以將上述過程自動化，通過分析用戶曾經(jīng)看過的電影找到用戶喜歡的演員和導演，然后給用戶推薦這些演員或者導演的其他電影。這種推薦方式在推薦系統(tǒng)中稱為基于內(nèi)容的推薦（content-based filtering）。 我們還可能查看排行榜，比如著名的IMDB電影排行榜，看看別人都在看什么電影，別人都喜歡什么電影，然后找一部廣受好評的電影觀看。這種方式可以進一步擴展：如果能找到和自己歷史興趣相似的一群用戶，看看他們最近在看什么電影，那么結(jié)果可能比寬泛的熱門排行榜更能符合自己的興趣。這種方式稱為基于協(xié)同過濾（collaborative filtering）的推薦。

媒體關(guān)注與評論

　　“工程師大都喜歡‘In Action’型的書籍，但這并非‘又一本’工具型的‘In Action’讀物，透過它你將涉足現(xiàn)代互聯(lián)網(wǎng)公司孜孜以求的用戶核心價值所在——個性化服務(wù)。也許一次全新的旅程就從這里開始?！薄　　⒎€(wěn)，豆瓣資深算法工程師　　“作者結(jié)合了多年的推薦系統(tǒng)理論研究和在Hulu的具體實踐經(jīng)驗，汲取精華并以深入淺出的方式展示給讀者。無論是對于剛?cè)腴T的新手還是推薦領(lǐng)域的老兵，這本書都是不可多得的必備參考，在此我誠摯地向大家推薦它。”　　——鄭華， Hulu資深軟件開發(fā)主管　　“2009年8月，我和項亮一起發(fā)起了 Resys China——一個面向推薦系統(tǒng)領(lǐng)域的專業(yè)社區(qū)。在組織 Resys China 業(yè)內(nèi)分享活動的過程中，我們迫切感受到，出版《推薦系統(tǒng)實踐》這樣一本傳授實戰(zhàn)經(jīng)驗的書籍，對推動這個領(lǐng)域的發(fā)展是多么必要。項亮作為國內(nèi)推薦系統(tǒng)領(lǐng)域一位理論與實踐并重的專家，把最具實用價值的推薦技術(shù)進行了系統(tǒng)整理，深入淺出地呈現(xiàn)到讀者面前。作為一本主要面向業(yè)內(nèi)人員的技術(shù)書籍，這點尤其難能可貴。個性化推薦技術(shù)是最具人文關(guān)懷的技術(shù)之一，它尊重個體，相信每個人都是與眾不同的，在這個以‘人’為中心的社會化時代，它的興起與發(fā)揚光大只是時間問題。我與項亮相識，是因為對推薦技術(shù)的熱愛，希望借助此書，可以讓更多的人成為朋友?！薄　　任臈?，個性化推薦社區(qū)Resys China發(fā)起人　　“從大家經(jīng)常使用的相關(guān)搜索、話題推薦、電子商務(wù)的各種產(chǎn)品推薦，到社交網(wǎng)絡(luò)上的交友推薦等，推薦系統(tǒng)在今天互聯(lián)網(wǎng)的產(chǎn)品和應(yīng)用中被廣泛采用。但是，至今還沒有一本書系統(tǒng)地從理論上對此進行分析和論述。《推薦系統(tǒng)實踐》恰恰彌補了這個空白?！薄　　獏擒?，騰訊副總裁，《數(shù)學之美》和《浪潮之巔》作者

編輯推薦

《推薦系統(tǒng)實踐》適合對推薦技術(shù)感興趣的讀者學習參考。

名人推薦

“工程師大都喜歡‘In Action’型的書籍，但這并非‘又一本’工具型的‘In Action’讀物，透過它你將涉足現(xiàn)代互聯(lián)網(wǎng)公司孜孜以求的用戶核心價值所在——個性化服務(wù)。也許一次全新的旅程就從這里開始。” ——阿穩(wěn)，豆瓣資深算法工程師 “作者結(jié)合了多年的推薦系統(tǒng)理論研究和在Hulu的具體實踐經(jīng)驗，汲取精華并以深入淺出的方式展示給讀者。無論是對于剛?cè)腴T的新手還是推薦領(lǐng)域的老兵，這本書都是不可多得的必備參考，在此我誠摯地向大家推薦它?！?——鄭華，Hulu資深軟件開發(fā)主管 “2009年8月，我和項亮一起發(fā)起了Resys China——一個面向推薦系統(tǒng)領(lǐng)域的專業(yè)社區(qū)。在組織Resys China業(yè)內(nèi)分享活動的過程中，我們迫切感受到，出版《推薦系統(tǒng)實踐》這樣一本傳授實戰(zhàn)經(jīng)驗的書籍，對推動這個領(lǐng)域的發(fā)展是多么必要。項亮作為國內(nèi)推薦系統(tǒng)領(lǐng)域一位理論與實踐并重的專家，把最具實用價值的推薦技術(shù)進行了系統(tǒng)整理，深入淺出地呈現(xiàn)到讀者面前。作為一本主要面向業(yè)內(nèi)人員的技術(shù)書籍，這點尤其難能可貴。個性化推薦技術(shù)是最具人文關(guān)懷的技術(shù)之一，它尊重個體，相信每個人都是與眾不同的，在這個以‘人’為中心的社會化時代，它的興起與發(fā)揚光大只是時間問題。我與項亮相識，是因為對推薦技術(shù)的熱愛，希望借助此書，可以讓更多的人成為朋友?！?——谷文棟，個性化推薦社區(qū)Resys China發(fā)起人 “從大家經(jīng)常使用的相關(guān)搜索、話題推薦、電子商務(wù)的各種產(chǎn)品推薦，到社交網(wǎng)絡(luò)上的交友推薦等，推薦系統(tǒng)在今天互聯(lián)網(wǎng)的產(chǎn)品和應(yīng)用中被廣泛采用。但是。至今還沒有一本書系統(tǒng)地從理論上對此進行分析和論述?！锻扑]系統(tǒng)實踐》恰恰彌補了這個空白?！?——吳軍，騰訊副總裁，《數(shù)學之美》和《浪潮之巔》作者

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    推薦系統(tǒng)實踐 PDF格式下載

---