推荐系统的问题模式

我们知道，推荐系统的使命就是向用户推荐那些用户有可能交互的物品，所以推荐系统需要事先找出那些隐藏的物品呈现给用户，这是一个预测问题；而推荐系统从达成的连接目标角度区分，可以分为两大类：

评分预测

根据用户对物品的历史评分，建立模型预测用户对每一个物品的评分；然后将预测评分排名靠前，且用户没有交互的物品推荐给用户。具体的思想：建立一个模型，这个模型对用户历史评分过的物品预测分数，那么实际分数和预测分数之间会有误差，然后根据这个误差去调整模型参数，使这个误差越来越小，最后得到的模型理论上就可以为我们干活了。那么如何去衡量预测分数和实际分数的误差了？事实上，这是一个机器学习里面的回归问题，所以我们可以使用回归问题的评判标准，如RMSE（均方根误差）：

其中 t 表示每一个样本，即用户对物品的评分记录； n 表示样本总数；带帽的 yt 表示模型预测分数；没有带帽的 yt 表示实际分数；通过模型预测分数与实际分数相减，然后累加结果的平方和除以样本总数，再开根号，得到的结果就是我们预测的误差。

评分预测问题常见于各种点评类产品，如图书、电影、音乐的点评，但评分预测存在以下问题：

• 数据不易收集,用户对物品的评分行为说明用户已经完成了对物品的消费，而这部分用户相对于没有消费的用户，还是太少；
• 数据质量不能保证，伪造评分数据门槛低，同时真实的评分数据又处在整个消费转化过程的最后一环；
• 评分的分布不稳定，整体评分在不同时期会差别很大，个人评分在不同时期标准不同，人和人之间的标准差别很大。

行为预测

用户对物品的评分有叫做显式反馈，意思是用户非常清晰地告诉我们，他们对物品的态度，而相对应的隐式反馈，通常就是各类用户行为如点击、收藏等，根据这些行为建立的推荐系统就是行为预测。

• 行为预测的方式
  • 直接预测行为本身发生的概率，又叫做 CTR预估 ； CTR 意思是 Click Through Rate ，即点击率预估。就是把每一个推荐给用户的物品按照“是否点击”二分类，构建分类模型，预测其中一种分类的概率。
  • 预测物品的相对排序
• 行为预测相对于评分预测的特点
  • 数据比显式反馈更加稠密，评分数据总体来说是很稀疏的；
  • 隐式反馈更代表用户的真实想法；
  • 隐式反馈常常和模型的目标函数关联更密切，也因此通常更容易在AB测试中和测试指标挂钩。比如 CTR预估 当然更关注点击这一隐式反馈。 使用评分预测的先决条件是用户必须先有评分行为，所以行为预测解决的是推荐系统 80% 的问题，评分预测解决的是最后20%的问题。

推荐系统的常见问题

冷启动问题：推荐系统属于数据贪婪型应用，所谓数据贪婪型应用，就是对数据的需求绝无满足的一天，冷启动问题广泛出现在互联网产品中，通常是新用户或不活跃用户，以及新物品或展示次数少的物品，这些用户和物品由于缺少相关数据，所以推荐系统很难对其进行推荐。通常的解决方式是想办法引入数据，如用户的年龄性别等，然后想办法从已有数据中主动学习。

探索与利用问题：又叫做EE问题，是Exploit（开采，）和Explore（探索）的缩写，意思是我们不仅要对用户身上已经探明的兴趣加以利用，同时还有探明用户身上还不知道的兴趣，也就是推荐物品中大部分包括用户喜欢的物品，同时还有小部分用于试探用户新的兴趣的物品。

安全问题：推荐系统攻击问题 1、给出不靠谱的推荐结果，影响用户体验并最终影响品牌形象； 2、收集不靠谱的脏数据，这个影响会一直持续留存在产品中，很难完全消除； 3、损失了产品的商业利益，这个是直接的经济损失。