recommendation system overview

最近一周查找了一些推荐系统的资料，推荐系统已经是一个研究比较成熟，而且运用于商业中时间比较长的一个技术，但是在大数据时代，推荐技术变的更加重要。我只是把自己最近看到和学习到的一些知识放在这里，不一定正确，大家相互交流学习。

1. overview & background

content-based filtering

基于内容的推荐算法，不需要依据用户对对象的评价意见。对象使用通过特征提取方法得到的对象内容特征来表示，系统基于用户所评价对象的特征,学习用户的兴趣，从而考察用户资料与待预测项目相匹配的程度。这个是要考察item的文档的内容的，或者是对该文档描述的内容。得到这些内容之后，运用一些信息检索的方法，最简单的是TF-IDF技术，能够获得表征该条item的向量，然后还会有表征用户profile的向量，这样就能都得到他们的具体，这个也就是相似程度，从而进行推荐。

collaborative filtering

分为user-based collaborative filtering,

item-based collaborative filtering,

model-base collaborative filtering等分类

对前两个的分类比较清楚，基于用户的就是能够找到一些有相似用户行为的用户，然后用统计学的一些方法找出对当前用户行为的预测，给予商品的推荐是根据该用户的历史行为，能够总结出该用户以前购买的商品，然后对当前商品进行比对和预测。

hybrid recommender systems

混合的方法是现在比较常用的方法，而且获得的推荐效果比较好，这里就不详细赘述，基本的算法分类才是关键。

knowledge-based recommendation

是一种推理的技术，是按照某种特定的规则和实例进行推理。需要知识库

2. algorithm

上面只是几种算法上的分类，涉及到一些简单的算法思想。其实每一种大的算法中，都会为了解决一些问题而涉及到更多的算法，具体可以去按照论文进行学习。

3. tools

工具是研究推荐系统必不可少的东西，这里所说的工具既有推荐系统的框架，又有推荐系统的源码和库，里面有各种语言的实现。主要有以下一些：

Apache Mahout

Cofi

Crab

easyrec

LensKit

MyMediaLite

SVDFeature

Vogoo PHP LIB

recommenderlab

Scikit-learn

还有一些组织和研究机构也在做相类似的东西

4. reference

http://www.duineframework.org/gettingStarted.html 推荐系统框架

www.jos.org.cn/ch/reader/create_pdf.aspx?file_no=3388 推荐系统概述

http://www.slideshare.net/sarab9/recommender-systems-and-collaborative-filtering-overview 推荐算法的tools

my issue:

cloud computing + recommendation system

how to build a recommendation system in a hadoop or other platforms.