个性化推荐

<h3>什么是个性化推荐系统</h3> <p>    如果你想买一台笔记本，那么你可能去中关村看看，亲自挑选一下；你也可能足不出户，在家里打开电脑，登录淘宝、京东等网站首页，在搜索栏里输入“笔记本”，即从中找到你心仪的笔记本。</p> <p>    但是如果你没有明确的需求呢？比如说，你今天很无聊，想找个电影看看，但是当你打开某个电影网站后，面对近几十年来发行的无数的电影，你有点手足无措了，因为你不知道该看哪一部电影好。这时，如果有一个喜欢看电影的好朋友在你身边，你可能会询问他哪部电影好看。不过，总不能你一想看电影就询问朋友吧，你不嫌烦你朋友还嫌烦呢。所以你可能需要一个自动化的工具，它可以分析你的历史兴趣，从无数的电影中推选几个符合你兴趣的电影。这个工具就是个性化推荐系统。</p> <p>    从上例可以看出，个性化推荐系统的出现其实就是对了解决信息过载问题。众所周知的搜索引擎（百度，google等）也是对了解决信息过载而应运而生的。其次，个性化推荐系统还可以挖掘物品的长尾，从而提高销售额。因此个性化推荐系统的出现，无论对于网站还是对于用户来说，都是双赢的局面。 <h3>个性化推荐系统是如何工作的</h3> <p>    如果没有个性化推荐系统，你如何决定看什么电影好呢？我们可能会通过如下方式：</p> <p>    1. 询问朋友。</p> <p>    2.

<h3>什么是冷启动问题？</h3> <p>     个性化推荐是需要依赖用户的历史行为才能预测用户的兴趣，因此大量的用户行为数据是用户的重要组成部分和先决条件。那么对于在开始阶段就像要一个个性化推荐系统的网站或应用来说，如何在没有用户历史数据的情况下设计个性化推荐并且让用户对推荐结果满意从而使用推荐系统，就是冷启动问题。 </p> <h3>用户冷启动</h3> <p>     如何给新用户做个性化推荐？ <br/>     1、做非个性化推荐，如热门排行榜、人工推荐等<br/>     2、利用用户的个人信息做粗粒度的个性化推荐<br/>     算法核心：计算每种特征（如年龄、性别、职业等）的用户喜欢的商品。即，对于每种特征f，计算具有这种特征的用户对各个商品的喜好程度p(f,i)。<br/>     p(f,i)=|N(i)与U(f)的交集|，其中N(i)是喜欢物品i的用户集合，U(f)时具有特征f的用户集合。<br/>     以上公式可能会出现有一个物品只被一个用户喜欢过，而这个用户刚好就有特征f的情况，那么p(f,i)=1。这种情况没有统计意义，因此我们可以为分母加上一个比较大的数，可以避免这样的商品产生比较大的权重。<br/>     p(f,i)=|N(i)与U(f)的交集|/(|N(i)|+a)<br/>     通过以上公式，可以计算出每种特征的商品集合。<br