查看“推荐系统”的源代码

=推荐系统=

大数据智能的一个应用，在电子商务领域比较普遍。

电子商务规模不断扩大的背景下，商品数量和种类快速增长，用户需要花费大量时间才能找到自己想买的商品，这就是信息超载问题。为了解决这个难题，推荐系统（Recommender System）应运而生。

个性化推荐系统是信息过滤系统（Information Filtering System）的子集，它可以用在很多领域，如电影、音乐、电商和 Feed 流推荐等。推荐系统通过分析、挖掘用户行为，发现用户的个性化需求与兴趣特点，将用户可能感兴趣的信息或商品推荐给用户。

与搜索引擎不同，推荐系统不需要用户准确地描述出自己的需求，而是根据分析历史行为建模，主动提供满足用户兴趣和需求的信息。

=协同过滤=
协同过滤推荐（Collaborative Filtering Recommendation）：该方法收集分析用户历史行为、活动、偏好，计算一个用户与其他用户的相似度，利用目标用户的相似用户对商品评价的加权评价值，来预测目标用户对特定商品的喜好程度。
优点是可以给用户推荐未浏览过的新产品；缺点是对于没有任何行为的新用户存在冷启动的问题，同时也存在用户与商品之间的交互数据不够多造成的稀疏问题，会导致模型难以找到相近用户。

基于内容过滤推荐（Content-based Filtering Recommendation）：该方法利用商品的内容描述，抽象出有意义的特征，通过计算用户的兴趣和商品描述之间的相似度，来给用户做推荐。优点是简单直接，不需要依据其他用户对商品的评价，而是通过商品属性进行商品相似度度量，从而推荐给用户所感兴趣商品的相似商品；缺点是对于没有任何行为的新用户同样存在冷启动的问题。

其中协同过滤是应用最广泛的技术之一，它又可以分为多个子类：基于用户 （User-Based）的推荐[3] 、基于物品（Item-Based）的推荐[4]、基于模型（Model-based）的推荐等。

1994年明尼苏达大学推出的GroupLens系统[1]一般被认为是推荐系统成为一个相对独立的研究方向的标志。该系统首次提出了基于协同过滤来完成推荐任务的思想，此后，基于该模型的协同过滤推荐引领了推荐系统十几年的发展方向。

=基于深度学习的推荐系统=

个性化推荐神经网络模型。

深度学习具有优秀的自动提取特征的能力，能够学习多层次的抽象特征表示，并对异质或跨域的内容信息进行学习，可以一定程度上处理推荐系统冷启动问题[6]。这里主要介绍个性化推荐的深度学习模型，以及如何使用神经网络实现模型。

 常见 http://book.paddlepaddle.org/recommender_system/

=基于强化学习的推荐系统=

Gorila (General Reinforcement Learning Architecture) 

#Massively Parallel Methods for Deep Reinforcement Learning, arxiv 1507.04296.

=RecSys会议=

#Covington P, Adams J, Sargin E. Deep neural networks for youtube recommendations[C]//Proceedings of the 10th ACM Conference on Recommender Systems. ACM, 2016: 191-198.

=参考文献=

#P. Resnick, N. Iacovou, etc. “GroupLens: An Open Architecture for Collaborative Filtering of Netnews”, Proceedings of ACM Conference on Computer Supported Cooperative Work, CSCW 1994. pp.175-186.
#Sarwar, Badrul, et al. “Item-based collaborative filtering recommendation algorithms.“ _Proceedings of the 10th international conference on World Wide Web_. ACM, 2001.
#Kautz, Henry, Bart Selman, and Mehul Shah. “Referral Web: combining social networks and collaborative filtering.“ Communications of the ACM 40.3 (1997): 63-65. APA
#Yuan, Jianbo, et al. “Solving Cold-Start Problem in Large-scale Recommendation Engines: A Deep Learning Approach.” _arXiv preprint arXiv:1611.05480_ (2016).