读书笔记：推荐系统与深度学习-第四章-推荐系统的基础算法

前言：这本书是由清华大学出版社的《推荐系统与深度学习》，由黄昕、赵伟、王本友、吕慧伟、杨敏编著，前三章分别是对推荐系统的简单介绍、对深度学习的介绍以及对tensorflow的介绍，这里就不做笔记了。

这一章主要介绍了传统的一些推荐方法以及利用深度学习方法（CNN、自编码、node2vec）进行一些特征表征和提取。

1、基于内容的推荐算法

1.1 基于内容的推荐算法基本流程

• 特征（内容）提取
  • 基础统计法（onehot）
  • 词频统计法（TF-IDF并进行归一化）
• 用户偏好计算
• 内容召回
• 物品排序

2、协同的推荐算法

2.1-2.3 基于用户的协同算法，基于物品的协同算法以及两者的区别

可以参考读书笔记：推荐系统实践-第二章-利用用户行为数据 4.1-4.3 部分

2.4 基于矩阵分解的推荐方法

• 基于SVD的方法
  • 加载用户对物品的评分矩阵
  • 矩阵分解，求奇异值，根据奇异值的能量占比确定降维至k的数值
  • 使用矩阵分解对物品评分矩阵进行降维
  • 使用降维以后的物品评分矩阵计算物品相似度，对用户未评分过的物品进行预测
  • 产生前n个评分值高的物品，返回物品编号以及预测评分值
• LFM模型
  可以参考读书笔记：推荐系统实践-第二章-利用用户行为数据 5 部分

2.5 基于稀疏自编码的推荐方法

2.5.1 自编码介绍

最简单的自编码分为三层，输入层和输出层亦一样的，中间隐层的神经元个数要低于输入层和输出层，这样就可以得到压缩特征。

2.5.2 栈式自编码在推荐系统中的应用——以音乐推荐为例

使用逐层贪婪训练法进行训练。需要三个网络。

• 第一个网络：输入和输出是歌曲被用户收藏的数据
  
• 第二个网络：输入层和输出层是第一个网络的隐层
  
• 第三个网络：输入层是第二个网络的隐层，输出层是softmax层，这里是音乐的流派。隐层是全连接层，这里的权重实际上是用户的低维特征。
  

3 基于社交网络的推荐算法

3.1 基于用户的推荐在社交网络中的应用

可以参考读书笔记：推荐系统实践-第六章-利用社交网络数据的第四部分

3.2 node2vec技术在社交网络推荐中的应用

可以利用node2vec的技术将用户进行向量化的表征，从而方便计算相似对。node2vec的整体思路可以分为两个部分：

• 随机游走（random walk），通过一定的规则随机抽取一些点的序列
• 将点的序列输入到word2vec模型得到每个点的embedding向量

3.2.1 随机游走

实际上就是对以用户为节点，好友关系为边的社交网络关系图，进行随机游走，而获得一个用户序列。

对于游走的下一个节点的选择，遵循下面的α值选择概率，这样就可以通过控制p和q来控制广度优先或者深度优先：

当下一个节点的选择是上一个节点的时候，d=0；当下一个节点的选择和上一个节点以及目前的节点构成三角形时，d=1；其他的情况d=2。如果p大于max(q,1)，则产生的序列与深度优先搜索类似；如果p小于min（q，1），产生的序列与宽度优先搜索类似。一般而言，会从每个点开始游走5-10次步长根据点的数量N游走根号N步。

3.2.2 word2vec

可以参考
斯坦福大学-自然语言处理与深度学习（CS224n） 笔记 第二课 词向量（word vector）
斯坦福大学-自然语言处理与深度学习（CS224n） 笔记 第三课 词向量（2）

4、推荐系统的冷启动问题

4.1 如何解决推荐系统冷启动问题

4.1.1 针对用户冷启动的解决方案

• 有效利用用户的账号信息：当用户进行外部账户的登陆的时候，可以通过账户信息追溯用户在其他平台上的行为
• 利用用户的手机IMEI号进行冷启动
• 制造选项，让用户选择自己感兴趣的点后，即时生成粗粒度的推荐

4.1.2 针对物品冷启动的解决方案

• 利用物品的内容信息
• 利用专家的标注数据：专家的数据有以下的优点，数据集更加稠密，打分数据的一致性更强

4.2 深度学习技术在物品冷启动上的应用

案例一：CNN在音频流派分类上的应用

• 将声音的立体声道丢弃，因为其包含了高度的冗余信息
• 使用傅里叶变化将音频数据转化为频域，每秒50像素，取10s-15s片段
• 使用CNN+LSTM模型进行分类模型构建（结构如下面第二个图）
  
  

案例二：人脸魅力值打分在视频推荐中的应用

• 利用开源工具进行脸部位置截取，开源工具是face_recognition
• 使用CNN网络进行魅力值测评，为了解决梯度消失的问题，使用残差网络结构