第五章 混合推荐方法

推荐问题可以转换成效用函数，函数的输入为用户和物品，输出为用户和物品的效用——效用是指物品满足某种抽象目标的能力，如：满足用户某方面的需求、或者是满足零售转化率、等等

任何一个推荐系统都是从众多物品中选取N个物品，使得这N个物品的效用总和最大

1. 整体式混合设计

从最底层的特征开始考虑整合

1.1 特征混合方案

如果有多种特征可以用，例如：用户浏览、点击、搜索、购买、等行为，要预测用户下一步要购买什么，显然搜索和购买行为比浏览、点击行为更加重要。对于不同重要性的特征的利用（有重要的就用重要的、否则就用不重要的，或者加权综合），偶合在一起，外面套上流行的算法框架，如：协同过滤

1.2 特征补充方案

没太看懂，貌似和上面的差不多——当某个特征OK的时候，就用这个特征；否则，就用比较弱的特征

2. 并行式混合设计 

多个推荐引擎，如何融合在一起？

2.1 交叉式混合

多个推荐引擎的多个结果，交叉合并为一个结果：第一个引擎的第一个结果排在第一位、第二个引擎的第一个结果排在第二位......

2.2 加权式混合

线性加权组合，每个引擎一个权重，权重归一化

2.3 切换式混合

当某些情况下用第一个分类器（例如：数据充分的时候用协同过滤），某些情况下用另一个分类器（例如：冷启动的时候用基于内容或者基于知识的推荐）

3. 流水线混合设计

这一节有点儿扯

3.1 串联混合

某一个推荐引擎的输出作为另一个推荐引擎的输入。例如：先用某个比较粗糙的推荐引擎，选择出N个物品，然后，用某个比较细腻的引擎，从这N个物品中进一步筛选出M（M<N）个物品，再进一步，还可能再有一个推荐引擎，对M个物品进行重排序

3.2 分级混合

同前面的没啥大区别，不看也罢。

完。