推荐系统之我读，我思，我惑

年前，开始系统接触推荐系统。说到这，我想提下，最早知道推荐系统，是源于研一的时候，一次实验室组会，一个本科生的毕设。他是用周的Heat spread 方法，其实就是利用二部图方法进行推荐。数据是一个用户和物品的连接关系的二部图。其实，这个方法很简单，也很容易实现。
但是，后来，开始接触项亮的博士论文的时候，开始知道推荐系统主流的方法：协通滤波。这里用基于物品，基于用户的。值得提的是，Amazon主要是基于物品的。而Youtobe也利用了协同过滤方法，但是里面涉及到了一个图模型。
一个简单有效的推荐系统方法SlopeOne，主要是容易实现，时间，空间复杂度都得到了控制。
基于矩阵分解的推荐系统的方法，主要是利用SVD方法，由于SVD方法时间复杂度太高，随之，推出了RSVD这样的改进版本。矩阵分解模型是一个基于模型的推荐系统方法，需要线下的训练。在一些开源数据，movielens，netflix数据集上测试，基于这种模型的推荐系统的打分推荐，精度比较高。主要的评价标准有MSE，RMSE。
我主要是学习了yahoo研究院的koren的几篇推荐系统的文章。他文章首先是构造一个模型，模型里面有用户的偏置，物品的偏置，平均分，用户向量，物品向量等。用随机梯度的方法去优化这些参数。
2月份之前，我基本研究的推荐系统都是基于打分数据的推荐。
后期，开始思考Top-N问题，互联网中，有打分数据的资源是很少的。如微博，社交网站等，只要些连接关系。更多的是二元关系，如果从这些数据中做出很好的推荐呢？ 这时候评价的标准已经不是RMSE了，而是Precision，Recall等。
这样的TOP-N问题，一方面，我们可以利用图模型，进行简单的推荐。但是，我感觉，那样的连接关系还是太弱了，根本说明不了什么？其实，可以，利用NLP技术，提取用户的特征，物品的特征。所以无论是进行物品的推荐（电子商务），还是人的推荐（微博，社交网站），也许是个方法。关键是如何进行提取有效特征，我们知道现在数据太多，太稀疏，怎么更有效。在得到特征后，如何建立模型，进行Top—N推荐，是个有价值的问题，不知道，学术界，工业界这块是怎么做的？
其实KDDCup2012，就是这个主题。期待，那些精英们给我解决方案！

不得不说，个性化推荐是个很难得问题！