机器学习：推荐系统（二. 如何创建推荐系统）
Ways of making recommendations
目录
- 基于内容的推荐系统：根据产品属性推荐
- 协作型过滤：基于类似的用户推荐
1. 基于内容的推荐系统：根据产品属性推荐
基于内容的推荐系统是以每种已知产品的属性认知来推荐新产品。假设你告诉一个朋友你刚刚看过奥黛丽·赫本（Audrey Hepburn）主演的电影“罗马假日”（Roman Holiday）（真是经典到掉牙。。。），而且你真的很喜欢它。你的朋友可能会建议你接下来看电影Sabrina。两部电影都是浪漫的喜剧，两部电影都是同一个电影明星。这可能是一个很好的建议，因为电影有很多共同的属性。这是基于内容的推荐系统的理念。他们尝试推荐与用户已经喜欢的产品具有相似属性的产品。
我们可以在这张表上看到John已经给罗马假日五星级了。我们接下来应该给John推荐什么电影？在基于内容的推荐系统中，我们也会有一张表格，向我们提供有关每部电影的详细信息。这是表格可能的样子。
这个表格为每部电影分配四种不同类别的评分：浪漫，悬疑，动作和音乐。这个想法是，如果用户真的喜欢浪漫得分高的电影，我们可以推荐其他也有浪漫色彩的电影。
我们可以在这张表中看到罗马假日和萨布丽娜在浪漫中排名第一，但是在动作和悬疑方面都很低。相比之下，“第三人称”和“臭名昭着”则因为悬疑而名列前茅，而罗马假日则处于低位。从这个表格中我们可以猜测罗马假日和萨布丽娜彼此之间的相似程度比其他两部电影更接近，所以喜欢罗马假日的人也可能喜欢塞布丽娜。基于此，Sabrina将成为推荐给John的一部好电影，我们可以猜测John可能会给Sabrina一个很高的评价。
苏珊高度评价The Third Man。让我们再看看电影的属性。在这里我们可以看到，第三人与臭名昭着的属性非常相似。 “臭名昭着”可能是苏珊高度评价的一部电影。对苏珊来说这将是一个很棒的电影推荐。
如果您有描述性的数据可用于每个你想推荐的产品，那么基于内容的建议可以很好地工作，这对于您处理还没有任何用户评论的情况非常有用。
但是基于内容的推荐系统有一个很大的缺点。在向用户推荐产品之前，必须为清单中的每个产品创建数据脚本。这是非常耗时的，并且会带来很多主观性，可能会推翻您的推荐结果。例如，一个人可能会说电影是非常有悬念的，但另一个人可能会不同意，并说这根本不是悬疑。如果有成千上万的产品需要标注，那么以一致和公平的方式标注所有产品可能非常困难。这使得在大型产品数据库上使用基于内容的推荐是困难的和耗时的，除非产品易于用一套一致的属性来描述。
2. 协作型过滤（Collaborative filtering）：基于类似的用户推荐
协同型过滤系统仅根据用户过去对产品的评分来提出建议，而不是基于产品本身的任何内容。在协同型过滤中，推荐系统不了解其推荐的实际产品。它只知道其他用户如何评价产品。它使用过去的评级来提出新的建议。这是一个电影表和用户给这些电影的评级。
假设我们想向John推荐一部电影。我们应该推荐Sabrina还是Notorious？我们可以看到，John的过去评论与Bob的评论非常相似。
他们都是罗马假日五星和第三人一星。看起来他们的口味有一些重叠。另外，我们可以看到Bob喜欢Sabrina，但不喜欢Notorious。这可能会给我们提供约翰如何反应的线索。我们也可以看到，苏珊和爱丽丝似乎和鲍勃有很大的不同。也许这也能给我们一些线索。通过查看所有其他用户以及他们迄今为止如何评价电影，Bob看起来很可能会给Sabrina一个很高的评价，臭名昭着的评价很低，所以我们会推荐Sabrina给Bob。
这是协作过滤的一个例子。我们对每部电影一无所知。我们甚至不需要知道他们的标题。只要知道所有用户过去对每个产品的评价，我们都可以挑选出Bob会喜欢的新产品。协作型过滤与基于内容的建议相比具有非常大的优势。好处是，你甚至不需要知道你推荐的产品。只要你有用户评论数据，你就可以建立一个协作型过滤推荐系统。但是协作过滤确实有一些限制。
它只适用于你已经有了用户评论。如果你没有任何评论，你不能提出建议。这意味着向全新的用户推荐产品是困难的，因为新用户还没有审查任何产品。最后，协作过滤往往倾向于推荐对评论很多的产品，这可能使用户很难发现新片，因为他们不太可能经常被推荐。
结语
下一节是对我们代码用到的工具做个简单介绍，为了保持队形， 我还是单独发一节（虽然内容有点少） .
你的 关注-收藏-转发 是我继续分享的动力!
