欢迎来到推荐系统算法交互式图谱
您好！这是一个用于探索推荐系统背后核心算法的交互式应用。
这份应用基于《推荐系统算法深度剖析》知识图谱构建，旨在将复杂的算法概念分解为易于理解和导航的模块。您可以通过左侧的导航栏（在移动设备上，请点击右上角菜单）在不同的主题之间自由切换。
如何使用？
- 点击 💡 两大核心思想 来理解推荐系统的基本逻辑。
- 在 🤝 协同过滤 章节中，您可以使用选项卡来对比“基于用户”和“基于物品”的方法。
- 在 🧠 神经网络 章节中，您可以看到一个直观的流程图，展示了 NCF 模型的训练过程。
💡 两大核心思想
推荐系统的核心目标是“猜测”用户的喜好。实现这一目标主要依赖两种基本逻辑：
1. 基于内容的推荐 (Content-Based)
核心逻辑：
分析物品内容的相似性。
比喻：
你喜欢诺兰导演的《星际穿越》（一部科幻片），系统就为你推荐另一部诺兰导演的科幻片《盗梦空间》。
依赖：
物品本身的特征（如类型、导演、演员、标签）。
2. 协同过滤 (Collaborative Filtering)
核心逻辑：
分析人群行为的相似性，利用“集体智慧”。
比喻：
系统发现“大部分喜欢《星际穿越》的人，也都喜欢《盗梦空间》”。因此，当你喜欢了《星际穿越》，系统就为你推荐《盗梦空间》，即使它不分析电影内容。
依赖：
用户与物品的交互数据（如评分、点击、购买）。
🤝 协同过滤 (Collaborative Filtering)
协同过滤是推荐系统中最经典、最核心的算法大类。它主要分为两种实现方式。请点击下方的选项卡来分别查看：
1. 基于用户的协同过滤 (User-based CF)
“和你口味相似的人，他们喜欢的东西，你可能也会喜欢。”
计算步骤（以电影评分为例）：
-
“训练”/准备：计算用户之间的相似度。
- 数据：一个“用户-物品”评分矩阵。
- 目标：找到与目标用户A最相似的“邻居”用户群（如用户B、D）。
- 方法：使用皮尔逊相关系数 (Pearson Correlation) 或余弦相似度，计算用户A与其他所有用户评分向量的相似度。
-
“预测”/推荐：进行加权平均预测。
- 目标：预测用户A对未看过的《电影X》的评分。
- 方法：找到所有对《电影X》评过分的“邻居”（如B和D）。用“邻居的评分”乘以“该邻居与A的相似度”作为权重。
- 公式：
预测分 = (B的评分 * A与B的相似度 + D的评分 * A与D的相似度) / (A与B的相似度 + A与D的相似度)
优缺点：
优点：逻辑直观，可解释性强。
缺点：在用户量巨大时（如上亿用户），实时计算所有用户间的相似度非常慢，计算量极大。
2. 基于物品的协同过滤 (Item-based CF)
“你喜欢了这个东西，那么你很可能也喜欢和它相似的其他东西。”
计算步骤（以电影评分为例）：
-
“训练”/准备：计算物品之间的相似度（可离线完成）。
- 数据：同一个“用户-物品”评分矩阵。
- 目标：计算《电影X》与所有其他电影（如《电影Y》、《电影Z》）的相似度。
- 方法：比较所有同时评价过《电影X》和《电影Y》的用户评分，看他们的评分“步调”是否一致。使用调整余弦相似度 (Adjusted Cosine Similarity)。
-
“预测”/推荐：进行加权平均预测。
- 目标：预测用户A对未看过的《电影X》的评分。
- 方法：找到用户A评过分的所有电影中，与《电影X》最相似的“邻居”物品（如Y和Z）。用“A对Y的评分”乘以“X与Y的相似度”作为权重。
- 公式：
预测分 = (A对Y的评分 * X与Y的相似度 + A对Z的评分 * X与Z的相似度) / (X与Y的相似度 + X与Z的相似度)
优缺点：
优点：物品间的相似度相对稳定，可以离线计算好存起来，预测速度快。
缺点：依赖用户的共同评分，如果物品很新（冷启动），则无法计算相似度。
📝 基于内容的推荐 (Content-Based)
此算法根据物品的“内容特征”建立用户档案，并推荐内容相似的物品。整个过程分为三步：
1 建立“物品档案”（向量化）
将物品的内容特征转换为数字向量。例如：
| 电影 | 科幻 | 动作 | 诺兰导演 |
|---|---|---|---|
| 《黑暗骑士》 | 0 | 1 | 1 |
| 《盗梦空间》 | 1 | 1 | 1 |
| 《星际穿越》 | 1 | 0 | 1 |
2 建立“用户口味档案”
综合用户喜欢的物品向量，生成代表用户口味的向量。假设用户喜欢《黑暗骑士》和《盗梦空间》：
[0, 1, 1] (《黑暗骑士》) + [1, 1, 1] (《盗梦空间》) -------------------- = [1, 2, 2] (用户口味向量)
这个向量表示该用户对“科幻”有1分偏好，对“动作”和“诺兰”有2分偏好。
3 计算“匹配分”（推荐）
使用**余弦相似度**计算“用户口味向量”和“待推荐物品向量”的匹配度。例如，计算用户 `[1, 2, 2]` 与《星际穿越》 `[1, 0, 1]` 的匹配分：
- a. 点积 (Dot Product): `(1*1) + (2*0) + (2*1) = 3`
- b. 向量大小 (Magnitude):
- 用户向量大小 = `sqrt(1²+2²+2²) = 3`
- 电影向量大小 = `sqrt(1²+0²+1²) ≈ 1.414`
- c. 余弦相似度: `点积 / (大小1 * 大小2) = 3 / (3 * 1.414) ≈ 0.707`
结论：这是一个高分，系统会倾向于推荐。
🥶 核心挑战：冷启动 (Cold Start)
冷启动指系统因缺乏数据而无法进行有效推荐的窘境。这分为三种情况，请点击选项卡查看：
1. 用户冷启动 (User Cold Start)
新用户注册，系统没有其历史数据。有四种主要策略：
- 推荐热门内容 (Popular Items): 推荐排行榜、今日最火等。安全但无个性化。
- 主动引导用户提供偏好 (Explicit Feedback): 让用户在注册时选择感兴趣的标签、话题或歌手。
- 利用用户画像信息 (Demographic Info): 根据年龄、性别、地理位置等信息匹配一个“初始品味模板”。
- 利用当前场景 (Context): 根据时间（推荐早餐）、地点（推荐附近餐厅）进行推荐。
2. 物品冷启动 (Item Cold Start)
新商品上架，没有用户交互数据。
核心策略：使用 基于内容的推荐 (Content-Based)。
流程：分析新品的内容标签（如导演、演员），并将其推荐给“用户口味档案”与这些标签匹配的用户。
3. 系统冷启动 (System Cold Start)
推荐系统第一天上线，无任何数据。
核心策略：人工运营 / 编辑推荐 (Editorial Curation)。
流程：由运营人员手动挑选一批高质量内容（如“经典Top 100”）展示给第一批用户，以获取系统启动所需的第一批交互数据。
🧩 高级算法：混合推荐模型
将多种推荐算法组合起来，取长补短，以达到最佳效果。主要有三种混合逻辑：
1. 加权混合 (Weighted Hybrid)
逻辑：像“专家投票”。给不同模型的推荐分赋予不同权重，再计算总分。
示例（解决物品冷启动）:
2. 特征组合 (Feature Combination)
逻辑：一个模型为另一个模型“打辅助”。将一个模型的输出（如“内容匹配分”）作为一个新的特征，喂给更强大的主模型。
原特征输入：
[用户年龄, 电影流行度]⬇
组合后特征输入：
[用户年龄, 电影流行度, 内容匹配分(0.85)]
➜ 喂给主模型，预测更准
3. 切换混合 (Switching Hybrid)
逻辑：“智能调度员”。根据不同情况，选择最合适的模型。
示例（解决用户冷启动）:
🧠 高级算法：神经网络
以**神经协同过滤 (Neural Collaborative Filtering, NCF)** 为例，它综合了User-based和Item-based的思想，并能学习非线性关系。
核心思想
不手动计算相似度，而是使用神经网络为每个用户和物品学习一个低维的“特征向量”（Embedding），即“数字指纹”。
NCF 训练过程（可视化）
以下流程展示了系统如何预测“用户A”是否喜欢“电影B”：
1. 输入与嵌入
[0.1, -0.4, ...]
[-0.2, 0.5, ...]
[0.1, -0.4, ..., -0.2, 0.5, ...]
2. 神经网络 (MLP)
进行复杂的非线性变换
3. 预测与学习
0.8
1.0
微调网络权重 和 初始特征向量