推荐系统(Recommender System)的技术基础

作者：xudong0612

推荐系统是通过分析用户属性、访问日志、反馈信息等对用户可能感兴趣的项进行预测。推荐系统在web2.0时代将有非常广泛的应用。

推荐系统应用了多个领域的方法和技术，如人机对话(Human Computer Interaction)、信息检索(Information Retrieval)等。不过说到底，这些都是以数据挖掘(Data Mining)为基础的。

数据挖掘的过程由下图中所示的三个步骤组成：

数据预处理(preprocessing)

数据挖掘的对象是数据，在对数据进行分析之前，要对数据进行清洗，转换、转载(ETL)使其完整、一致。在推荐系统中，数据的预处理主要包括距离计算，采样和降维。

1.距离计算(Distance Measures)

推荐目前主要采用两种方法：基于内容的推荐和协同推荐。基于内容的推荐是根据历史信息(如评价、分享、收藏过的文档)构造用户偏好文档, 计算推荐项目与用户偏好文档的相似度, 将最相似的项目推荐给用户；协同推荐的原理是寻找用户的邻居，为其推荐邻居感兴趣的东西。发现邻居的方法就是通过计算用户间的相似度对用户进行分类，相似度的基础就是距离计算。

我们这里采取的是协同推荐，常见的两个对象间距离的计算有如下几种方法：

1)欧几里得距离

定义如下：

　　其中，n为对象的属性的个数，xk、yk为第k个属性，x、y为对象。

2)闵可夫斯基距离是欧几里得距离的推广

定义如下：

　　其中，r是距离的度，有时被称为Lr范数。另外，我们可以发现，当r=1时，它表示为曼哈顿距离，r=2时，表示为欧几里得距离，当r→∞时，表示为supremum距离，它对应于计算两个对象间任意维度的最大区别。

3)马氏距离

　　其中，σ是x、y的协方差矩阵。

此外，还有一种常见的计算对象间相似度的方法。将项看成n维的文档矩阵，通过计算两个对象间的cos值来表示相似度。公式如下：

　　其中•表示向量的点乘，||x||表示x的范数。

当对象的属性为二元变量时，即只有0,1两种状态。此时，就需要特定的方法来计算相似度。例如用M00、M01、M10、M11来表示具有两个二元变量的对象的四种状态，如果二元属性是对称的，也就是说两个状态具有相同的价值和相同的价值，那么对象间的相似度计算公式为：

简单匹配系数=(number of matched/number of attributes)=(M00+M11)/(M01+M01+M10+M11)

如果二元属性不是对称的，则计算公式为：

Jaccard系数=M11/(M01+M10+M11)

2.采样(Sampling)

数据挖掘过程中，不可能对所有的数据进行处理，往往是选择一个子集作为数据源，从所有数据中选择数据子集的过程就是采样。选择出的子集还分为训练集(training dataset)和测试集( testing dataset)，训练集主要用来学习算法，测试集用来测试算法质量。

采样要求选择出的数据具有代表性，目前主要采样以下两种方法：

1)随机取样 即等概率的从数据整体中抽取数据。

2)分层取样 基于数据的特征将数据分成几部分，在每一部分再进行随机取样。

在采样过程中，一种是不重复采样，另一种是重复采样。最常用的一种方法是80/20原则的不重复随机采样。80/20是指从采样结果中取80%作为训练集，另外20%作为测试集，这种方法在超过2/3情况下是适合的。

另外，为了防止采样结果不具有代表性，一般会重复取样，对数据经过多次测试来保证准确性。

3.降维(Dimensionality Reduction)

采样得到的数据可能会有冗余、维难等问题，为了解决这些问题，就需要对数据进行降维。常用的降维方法有以下两种：

1)主成分分量分析法(Principal Compenent Analysis，PCA)

2)奇异值分解法(Singular Value Decomposit，SVD)

原文>>>