推荐系统 (RS) 是许多在线应用程序中的关键技术组件，例如社交网络中的产品推荐、视频推荐或流推荐。在本课程中，我们将介绍推荐系统的应用和技术细节：历史概览；主要推荐框架，包括基于内容、协同过滤和混合推荐系统； 当前的推荐技术，包括矩阵分解、频繁模式挖掘、情感分析、深度学习和经济模型；推荐应用分析。
Tips：由于标题之间的层级较多和有些标题下方内容为空，请结合右边固定目录食用。
课程组成
Readings and reports
它有一个指定的研究读物。 对于本次阅读，请写几段简要说明以下内容：
- 这篇论文试图回答什么问题，或者它试图解决什么问题？
- 解决方案或实验方法的关键思想是什么？
- 这篇论文的主要教训是什么？
您必须提交总共 1 份阅读报告：来自指定的阅读材料或您自己找到的其他研究论文。
Oral paper reading report
每个小组30分钟报告。
Research project
下面三选一
- 一个新的推荐系统实验，相关工作。
- 一项调查和研究计划，调查和总结几篇研究论文，并提出一个新的实验来扩展他们的结果或回答他们提出的新问题。
- 一项复制研究，您尝试重现最近的推荐系统算法或实验论文。
Oral project report
每个小组30分钟报告+5分钟QA。
Written project report and code
Project Proposal
奖金最大值 5。
评分政策
课程大纲
- 介绍。
- Collaborative recommendation。
- Content-based recommendation
- Knowledge-based recommendation
- Hybrid recommendation approaches
- Deep learning for Recommender System
- Evaluating Recommender Systems
- 选题。
- 3个实验+1个研究项目。
推荐引擎
- 基于人口的统计学推荐(Demographic-based Recommendation)。
- 基于内容的推荐(Content-based Recommendation)。
- 基于协同过滤的推荐(Collaborative Filtering-based Recommendation)。
Collaborative recommendation
Collaborative Filtering (CF)
原理：汇总所有<user,item>的行为对, 利用集体智慧做推荐。其原理很像朋友推荐, 比如通过对用户喜欢的item进行分析, 发现用户A和用户B很像(他们都喜欢差不多的东西), 用户B喜欢了某个item, 而用户A没有喜欢, 那么就把这个item推荐给用户A。
Collaborative Filtering三类：
- 基于用户的协同过滤推荐(User-based Collaborative Filtering Recommendation)。
- 基于项目的协同过滤推荐(Item-based Collaborative Filtering Recommendation)。
3.基于模型的协同过滤推荐(Model-based Collaborative Filtering Recommendation)
以上三类算法，在下方链接有十分详细的介绍和生动的图片。 参考文献：https://www.zhihu.com/question/19971859
Pure CF Approaches
输入：user–item ratings matrix。
输出类型：
- 一个（数字）预测，指示当前用户喜欢或不喜欢某个项目的程度。
- 推荐项目的前 N 个列表。
User-based nearest-neighbor
用相似统计的方法得到具有相似爱好或者兴趣的相邻用户，所以称之为以用户为 基础（User-based）的协同过滤或基于邻居的协同过滤(Neighbor-based Collaborative Filtering)。
简单的说（个人理解）： 我逛淘宝用到的应用软件会为我们推荐合适的商品，User-based协同过滤就是通过我们自己过去已买商品以及对于商品喜好程度等信息来和其他用户信息进行对比，若某位用户与我们信息相似度高，则我与该用户称为相似用户，则为我推荐一些该位用户已买或是喜爱的并且我们未买的商品。
算法流程和实例均在以下链接有详细介绍，不过多赘述。 皮尔斯相关系数反映两组数组的线性相关程度。 参考文献：https://blog.csdn.net/m0_56689123/article/details/115407351
Comments