推荐系统是指能够预测用户未来偏好项目（item）并推荐最优先项目的系统。现代社会之所以需要推荐系统，是由于互联网的普及，人们有太多的选择可供使用。过去，人们习惯于在实体店里购物，而在实体店里商品是有限的。而互联网现在让人们可以在线获取丰富的资源。例如，网飞公司拥有大量的电影。然而，尽管可用信息的数量增加了，但因此人们很难选择他们实际想要看到的物品。所以才需要推荐系统。

过去的方法

传统构建推荐系统的方法有两种：

• 基于内容推荐


• 协同过滤

第一种分析每个项目的性质。例如，通过对每个诗人的内容进行自然语言处理来向用户推荐诗人。而协同过滤不需要关于项目或用户本身的任何信息。它根据用户过去的行为推荐项目。下面我将详细介绍协同过滤。

协同过滤

如上所述，协同过滤（CF）根据用户过去的行为的推荐。有两类协同过滤：

• 基于用户：衡量目标用户与其他用户的相似度


• 基于项目：衡量目标用户评分与其他项目之间的相似度

协同过滤背后的关键思想是，相似的用户拥有相同的兴趣，喜欢的项目也类似。

假设有m个用户和n个项目，我们使用一个大小为m * n的矩阵来表示用户过去的行为。矩阵中的每个单元格表示用户拥有的相关意见。例如，M_ {i，j}表示用户i有多喜欢项目j。这种矩阵被称为效用矩阵。协同过滤类似于根据用户或项目之间的相似度，填充用户之前未见过或评估过的效用矩阵中的空白（单元）。在这里的“意见”有两种，明确的和隐含的。前者直接显示用户如何评价这个项目（就想对APP或电影的评分），而后者仅作为代理提供我们关于用户如何喜欢项目的猜测（例如可能表示用户喜欢的数字，点击、访问等）。显性意见比隐性意见更直接，因为我们不需要猜测这个数字意味着什么。举例来说，用户可能很喜欢一首歌曲，但他只听了一次，因为他听歌时很忙。没有明确的意见，我们不能确定用户是否喜欢那个项目。但是，我们从用户收集的大部分反馈都是隐性的。因此，正确处理隐性反馈非常重要，但这里我们先不略过它，继续讨论协同过滤如何工作。

基于用户的协同过滤

我们知道我们需要计算用户协同过滤中的用户之间的相似度。那么如何衡量相似度呢？可以使用皮尔森相关（Pearson Correlation）或余弦相似度（cosine similarity）。令u_ {i，k}表示用户i和用户k之间的相似度，v_ {i，j}表示用户i给予项目j的评分，v_ {i，j} =？如果用户还没有评价该项目。这两种方法可以表述如下：

皮尔森相关

余弦相似度

这两种方法都很常用。不同之处在于，皮尔森相关性是不变的，为所有元素添加一个常量。

现在，我们可以用下面的公式来预测用户对未打分项目的意见:

未打分项目预测

下面我来举个例子进行说明。在下面的矩阵中，每行代表一个用户，除了最后一列记录用户和目标用户之间的相似度之外，每列对应于不同的电影。每个单元格表示用户给该电影的评分。假设我们的目标用户是E。

由于用户A和F没有与用户E对电影评分没有交集，所以它们与用户E的相似度未在皮尔森相关中定义。因此，我们只需要考虑用户B，C和D.基于皮尔森相关，我们可以计算相似度如下。

从上表可以看出，用户D与用户E差异很大，因为它们之间的皮尔森相关是负的。他认为电影“Me Before You”值得高分，而用户E则相反。现在，我们可以开始根据其他用户的评分填充用户E未评级电影的空白。

它成功地避免了动态用户偏好所带来的问题，因为基于项目的协同过滤更加静态。但是，这种方法仍然存在一些问题。首先，主要问题是可扩展性。计算量随客户和产品一起增长。最糟糕的情况是m个用户和n个项目时复杂度为O（mn）。此外，稀疏是也是一个问题。再看一下上面的表格。虽然只有一个用户同时评价“Matrix”和“Titanic”，但它们之间的相似度是1.在极端情况下，我们可以有数百万用户，两个相当不同的电影之间的相似度可能非常高，因为唯一评价他们两个的用户评价相似。

奇异值分解

处理协同过滤的可伸缩性和稀疏性问题，可以利用潜在因子模型来捕捉用户和项目之间的相似度。从本质来说，我们希望将推荐问题转化为优化问题。我们可以把它看作是对我们在预测给定用户的项目评分的评分。一个常见的度量是均方根误差（RMSE）。RMSE越低，效果越好。由于我们不知道未知项目的评级，我们暂时忽略它们。也就是说，我们只是最小化效用矩阵中已知项目的RMSE。为了实现最小的RMSE，采用了奇异值分解(SVD)，如下公式所示：

奇异值分解矩阵

X表示效用矩阵，U是左奇异矩阵，表示用户与潜在因子之间的关系。S是描述每个潜在因子强度的对角矩阵，而V^T是一个右奇异矩阵，表示项目与潜在因子之间的相似度。那么，这里的潜在因子是什么意思？它是一个宽泛的概念，它描述了一个用户或项目拥有的属性或概念。例如，对于音乐而言，潜在因子可以指音乐所属的类型。SVD通过提取其潜在因子来降低效用矩阵的维度。从本质上讲，我们将每个用户和每个项目映射到维度为r的隐空间(latent space)。它可以帮助我们更好地理解用户和项目之间的关系，因为它们可以直接进行比较。如下图所示：

奇异值分解映射用户和项目到隐空间

奇异值分解很重要的一个性质是，能够最小化重构误差平方和（SSE）; 因此它也常用于降维。下面的公式用A代替X，用Σ代替S：

均方误差的和

但是这和RMSE有什么关系呢？事实证明，RMSE和SSE是单调相关的。这意味着SSE越低，RMSE越低。利用SVD的使SSE最小化，它也会使RMSE最小化。因此，SVD解决这个优化问题的好工具。为了预测用户看不见的项目，我们乘以U，Σ和T。

Python中的Scipy对于稀疏矩阵具有很好的SVD实现。

>>> from scipy.sparse import csc_matrix

>>> from scipy.sparse.linalg import svds

>>> A = csc_matrix([[1, 0, 0], [5, 0, 2], [0, -1, 0], [0, 0, 3]], dtype=float)

>>> u, s, vt = svds(A, k=2) # k is the number of factors

>>> s

array([ 2.75193379,  5.6059665 ])

SVD成功处理了协同过滤所带来的可扩展性和稀疏性问题。但它也有自己的缺陷。SVD的主要缺点是，我们向用户推荐某个项目的原因是无法解释的。如果用户很想知道为什么向他们推荐特定的项目，这可能会是很大的问题。关于这一点，我会在下一篇文中详细讨论。

结论

我已经讨论了用于建立推荐系统的两种典型方法：协同过滤和奇异值分解。在接下来的文章中，我将继续讨论构建推荐系统的更高级的算法。