基於人口統計學的推薦

基於人口統計學的推薦機制（Demographic-based Recommendation）是一種最易於實現的推薦方法，它只是簡單的根據系統使用者的基本資訊發現使用者的相關程度，然後將相似使用者喜愛的其他物品推薦給當前使用者，圖 2 給出了這種推薦的工作原理。

圖 2. 基於人口統計學的推薦機制的工作原理

從圖中可以很清楚的看到，首先，系統對每個使用者都有一個使用者 Profile 的建模，其中包括使用者的基本資訊，例如使用者的年齡，性別等等；然後，系統會根據使用者的 Profile 計算使用者的相似度，可以看到使用者 A 的 Profile 和使用者 C 一樣，那麼系統會認為使用者 A 和 C 是相似使用者，在推薦引擎中，可以稱他們是“鄰居”；最後，基於“鄰居”使用者群的喜好推薦給當前使用者一些物品，圖中將使用者 A 喜歡的物品 A 推薦給使用者 C。

這種基於人口統計學的推薦機制的好處在於：

1. 因為不使用當前使用者對物品的喜好歷史資料，所以對於新使用者來講沒有“冷啟動（Cold Start）”的問題。
2. 這個方法不依賴於物品本身的資料，所以這個方法在不同物品的領域都可以使用，它是領域獨立的（domain-independent）。

那麼這個方法的缺點和問題是什麼呢？這種基於使用者的基本資訊對使用者進行分類的方法過於粗糙，尤其是對品味要求較高的領域，比如圖書，電影和音樂等領域，無法得到很好的推薦效果。可能在一些電子商務的網站中，這個方法可以給出一些簡單的推薦。另外一個侷限是，這個方法可能涉及到一些與資訊發現問題本身無關卻比較敏感的資訊，比如使用者的年齡等，這些使用者資訊不是很好獲取。

基於內容的推薦

基於內容的推薦是在推薦引擎出現之初應用最為廣泛的推薦機制，它的核心思想是根據推薦物品或內容的元資料，發現物品或者內容的相關性，然後基於使用者以往的喜好記錄，推薦給使用者相似的物品。圖 3 給出了基於內容推薦的基本原理。

圖 3. 基於內容推薦機制的基本原理

圖 3 中給出了基於內容推薦的一個典型的例子，電影推薦系統，首先我們需要對電影的元資料有一個建模，這裡只簡單的描述了一下電影的型別；然後通過電影的元資料發現電影間的相似度，因為型別都是“愛情，浪漫”電影 A 和 C 被認為是相似的電影（當然，只根據型別是不夠的，要得到更好的推薦，我們還可以考慮電影的導演，演員等等）；最後實現推薦，對於使用者 A，他喜歡看電影 A，那麼系統就可以給他推薦類似的電影 C。

這種基於內容的推薦機制的好處在於它能很好的建模使用者的口味，能提供更加精確的推薦。但它也存在以下幾個問題：

1. 需要對物品進行分析和建模，推薦的質量依賴於對物品模型的完整和全面程度。在現在的應用中我們可以觀察到關鍵詞和標籤（Tag）被認為是描述物品元資料的一種簡單有效的方法。
2. 物品相似度的分析僅僅依賴於物品本身的特徵，這裡沒有考慮人對物品的態度。
3. 因為需要基於使用者以往的喜好歷史做出推薦，所以對於新使用者有“冷啟動”的問題。

雖然這個方法有很多不足和問題，但他還是成功的應用在一些電影，音樂，圖書的社交站點，有些站點還請專業的人員對物品進行基因編碼，比如潘多拉，在一份報告中說道，在潘多拉的推薦引擎中，每首歌有超過 100 個元資料特徵，包括歌曲的風格，年份，演唱者等等。

基於協同過濾的推薦

隨著 Web2.0 的發展，Web 站點更加提倡使用者參與和使用者貢獻，因此基於協同過濾的推薦機制因運而生。它的原理很簡單，就是根據使用者對物品或者資訊的偏好，發現物品或者內容本身的相關性，或者是發現使用者的相關性，然後再基於這些關聯性進行推薦。基於協同過濾的推薦可以分為三個子類：基於使用者的推薦（User-based Recommendation），基於專案的推薦（Item-based Recommendation）和基於模型的推薦（Model-based Recommendation）。下面我們一個一個詳細的介紹著三種協同過濾的推薦機制。

基於使用者的協同過濾推薦

基於使用者的協同過濾推薦的基本原理是，根據所有使用者對物品或者資訊的偏好，發現與當前使用者口味和偏好相似的“鄰居”使用者群，在一般的應用中是採用計算“K- 鄰居”的演算法；然後，基於這 K 個鄰居的歷史偏好資訊，為當前使用者進行推薦。下圖 4 給出了原理圖。

圖 4. 基於使用者的協同過濾推薦機制的基本原理

上圖示意出基於使用者的協同過濾推薦機制的基本原理，假設使用者 A 喜歡物品 A，物品 C，使用者 B 喜歡物品 B，使用者 C 喜歡物品 A ，物品 C 和物品 D；從這些使用者的歷史喜好資訊中，我們可以發現使用者 A 和使用者 C 的口味和偏好是比較類似的，同時使用者 C 還喜歡物品 D，那麼我們可以推斷使用者 A 可能也喜歡物品 D，因此可以將物品 D 推薦給使用者 A。

基於使用者的協同過濾推薦機制和基於人口統計學的推薦機制都是計算使用者的相似度，並基於“鄰居”使用者群計算推薦，但它們所不同的是如何計算使用者的相似度，基於人口統計學的機制只考慮使用者本身的特徵，而基於使用者的協同過濾機制可是在使用者的歷史偏好的資料上計算使用者的相似度，它的基本假設是，喜歡類似物品的使用者可能有相同或者相似的口味和偏好。

基於專案的協同過濾推薦

基於專案的協同過濾推薦的基本原理也是類似的，只是說它使用所有使用者對物品或者資訊的偏好，發現物品和物品之間的相似度，然後根據使用者的歷史偏好資訊，將類似的物品推薦給使用者，圖 5 很好的詮釋了它的基本原理。

假設使用者 A 喜歡物品 A 和物品 C，使用者 B 喜歡物品 A，物品 B 和物品 C，使用者 C 喜歡物品 A，從這些使用者的歷史喜好可以分析出物品 A 和物品 C 時比較類似的，喜歡物品 A 的人都喜歡物品 C，基於這個資料可以推斷使用者 C 很有可能也喜歡物品 C，所以系統會將物品 C 推薦給使用者 C。

與上面講的類似，基於專案的協同過濾推薦和基於內容的推薦其實都是基於物品相似度預測推薦，只是相似度計算的方法不一樣，前者是從使用者歷史的偏好推斷，而後者是基於物品本身的屬性特徵資訊。

圖 5. 基於專案的協同過濾推薦機制的基本原理

同時協同過濾，在基於使用者和基於專案兩個策略中應該如何選擇呢？其實基於專案的協同過濾推薦機制是 Amazon 在基於使用者的機制上改良的一種策略，因為在大部分的 Web 站點中，物品的個數是遠遠小於使用者的數量的，而且物品的個數和相似度相對比較穩定，同時基於專案的機制比基於使用者的實時性更好一些。但也不是所有的場景都是這樣的情況，可以設想一下在一些新聞推薦系統中，也許物品，也就是新聞的個數可能大於使用者的個數，而且新聞的更新程度也有很快，所以它的形似度依然不穩定。所以，其實可以看出，推薦策略的選擇其實和具體的應用場景有很大的關係。

基於模型的協同過濾推薦

基於模型的協同過濾推薦就是基於樣本的使用者喜好資訊，訓練一個推薦模型，然後根據實時的使用者喜好的資訊進行預測，計算推薦。

基於協同過濾的推薦機制是現今應用最為廣泛的推薦機制，它有以下幾個顯著的優點：

1. 它不需要對物品或者使用者進行嚴格的建模，而且不要求物品的描述是機器可理解的，所以這種方法也是領域無關的。
2. 這種方法計算出來的推薦是開放的，可以共用他人的經驗，很好的支援使用者發現潛在的興趣偏好

而它也存在以下幾個問題：

1. 方法的核心是基於歷史資料，所以對新物品和新使用者都有“冷啟動”的問題。
2. 推薦的效果依賴於使用者歷史偏好資料的多少和準確性。
3. 在大部分的實現中，使用者歷史偏好是用稀疏矩陣進行儲存的，而稀疏矩陣上的計算有些明顯的問題，包括可能少部分人的錯誤偏好會對推薦的準確度有很大的影響等等。
4. 對於一些特殊品味的使用者不能給予很好的推薦。
5. 由於以歷史資料為基礎，抓取和建模使用者的偏好後，很難修改或者根據使用者的使用演變，從而導致這個方法不夠靈活。

混合的推薦機制

在現行的 Web 站點上的推薦往往都不是單純只採用了某一種推薦的機制和策略，他們往往是將多個方法混合在一起，從而達到更好的推薦效果。關於如何組合各個推薦機制，這裡講幾種比較流行的組合方法。

1. 加權的混合（Weighted Hybridization）: 用線性公式（linear formula）將幾種不同的推薦按照一定權重組合起來，具體權重的值需要在測試資料集上反覆實驗，從而達到最好的推薦效果。
2. 切換的混合（Switching Hybridization）：前面也講到，其實對於不同的情況（資料量，系統執行狀況，使用者和物品的數目等），推薦策略可能有很大的不同，那麼切換的混合方式，就是允許在不同的情況下，選擇最為合適的推薦機制計算推薦。
3. 分割槽的混合（Mixed Hybridization）：採用多種推薦機制，並將不同的推薦結果分不同的區顯示給使用者。其實，Amazon，噹噹網等很多電子商務網站都是採用這樣的方式，使用者可以得到很全面的推薦，也更容易找到他們想要的東西。
4. 分層的混合（Meta-Level Hybridization）: 採用多種推薦機制，並將一個推薦機制的結果作為另一個的輸入，從而綜合各個推薦機制的優缺點，得到更加準確的推薦。