本文主要是介绍无处不在的推荐系统，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
这篇博客由微软主要研究者Thore Graepel执笔并发表。
博客正文
好的推荐任何地方都用得着。无论是找一部你可能喜欢的电影，或者一本你可能感兴趣的书籍，甚至是寻求facebook或linkedin上志同道合的朋友，自动推荐系统将会是个得力助手。刚开始自动推荐系统只限于网络用户，如今，随着微软Azure机器学习的不断普及，越来越多的人可以享受到自动推荐系统的优质服务，小到个人大到企业，为其客户带来便利。
自推系统如何是如何运作的？
一般而言，推荐系统是个二元体系，一个是”用户”，另一个是”商品”。用户指推荐物品的对象人群，”商品”指你想要推荐的物品，可以是电影，书籍，网页，菜谱，甚至是网友。
举个例子，假如我想给一个指定用户推荐饭店，参考该用户以及其他用户对其中一些饭店的历史评价（五星评价标准）。我们的推荐任务可以分两步走:
- 预测该用户会如何评价每个饭店（五星评价标准）。
- 从一份合格饭店清单中选出该用户可能会给出最高评分的饭店。
但是如果某个用户没有评价过这些饭店，那我们如何预测该用户的评价走向呢？机器学习发挥作用的时候到了。
如何预测评价？
针对”用户–商品”这种模式，我们需要收集各种形式的数据（用户ID，商品ID，评价等）来建立一个机器学习预测性模型，预测用户的评价走向。
你可以把它想成一个大型矩阵，用户为行，商品为列，而评分就是元素。
这是个稀疏矩阵（大量条目缺失），因为普通用户只会给一小部分商品评分。Azure中贝叶斯推荐系统小工具（Bayesian RS implemented接收这些训练数据，设计相应的模型，预测该用户的评价结果，应用于“用户–商品”模式。评价标准不限于五星评级，只要不要涉及到隐私，比如购买次数，点击量或购买所花时间等判断标准也同样可行。
以上是如何做到的呢？
RS将用户和商品嵌入我们称之为潜在特质空间的地方（见下图）。如果用户（蓝点）和商品（红点）向量方向一致，那么该用户对该商品评价很高。反之则评价一般。特质空间里，相关用户和相似商品会放到一起，使”指定用户——商品”模式下预测用户评价成为可能，而训练数据库里是不提供评价的。
下图是一个二维特质空间，用来作阐述说明，而我们系统中使用20-100个维度的特质空间来分析。有时我们可以发现一些可以解释的特质，举个例子。南北走向的特质可能指“成人”和“小孩”，而东西走向的特质可能为“主流”和“小众”。
面对新用户和新商品如何作出预测？
RS的唯一问题在于它属于慢热型产品。新用户作评价的次数不多，新商品收到的评价数也寥寥无几，因此很难作出预测。为了改善这一问题，Azure不仅使用ID来表示用户和商品，还使用了一种由元数据构成的特质向量。代表用户的特质向量包含所有个人信息，比如年龄，所在地等；代表电影的特质向量包括电影题材，演员，导演，上映日期等。最后，系统会利用元数据中的共同特质整合出相关用户和相似商品。
了解更多
如果你对自动推荐系统很好奇，可以看看Matchbox的论文: Large Scale Bayesian Recommendations.
如果你想建立自己的推荐系统传送通道，等Azure机器学习正式发布后，可以自己动手尝试一下。
下图所示的Azure机器学习工作室，备有一个推荐系统模板和功能强大的浏览器支持的用户界面，还有”拖动”功能，让整个过程变得相对简单。
事实上，Azure机器学习预测用户评价结果包括两大模式——内容筛选和协作筛选。最后通过普及该应用，我们希望会有更多的人使用自动推荐系统，并在各种场合中发挥作用。
来自：http://www.36dsj.com/archives/28944
这篇关于无处不在的推荐系统的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
