ABSTRACT

问题：传统的基于偏好的推荐没有考虑到用户的社交方面，一个值得信赖的朋友可能会指出我们一个与我们的典型偏好不符的有趣项目
目的：缩小基于偏好的推荐和基于社会关系的推荐之间的差异
方法：SPF（social Poisson factorization，社会关系矩阵泊松分解），一种将社交网络信息纳入传统分解方法的概率模型
效果：在6个真实数据集上的性能优于其他推荐方法

INTRODUCTION

研究表明，用户看中朋友对内容的发现和讨论意见，在线访问社交网络可以强化这种现象
矩阵分解方法不能利用这些信息，他能推断出你可能喜欢的物品是因为这个物品符合你的偏好，但是不能推断出你朋友喜欢且你也可能感兴趣的物品
本文提出基于贝叶斯矩阵分解的SPF（social Poisson factorization）方法，可以在社交层面反映用户消费的商品
SPF假设有两个信号驱动用户点击：对项目的潜在偏好和朋友的潜在影响
SPF推测每个用户的偏好和影响，向用户推荐即符合用户偏好又被其朋友点击过的项目

本节课内容：
1、多变量线性回归的Hypothesis公式、参数、代价函数。
2、特征缩放、归一化处理、以及学习率α值的选取。
3、特征的选取和多项式回归。
4、另外一种得到θ最优解的方法-正规方程，以及正规方程中X’X不可逆的情况和解决方法。

多变量线性回归

本节课内容：
介绍单变量线性回归的Hypothesis公式、参数、代价函数，通过梯度下降法计算最优参数值，得到最终的Hypothesis公式，进行预测

单变量线性回归

代价函数（Cost Function）：平方误差函数（最常用）

机器学习定义：

1、在没有明确设置的情况下，使计算机具有学习能力的研究领域（Arthur Samuel 1959, 跳棋游戏）
2、一个适当的学习问题定义如下，计算机程序从经验E中学习，解决某一任务T，进行某一性能度量P，通过 P测定在T上的表现因经验E而提高（Tom Mitchell 1998）

机器学习算法:

监督学习、无监督学习（最常用的两种）
强化学习、推荐系统

Abstract

校准（calibration），在机器学习公平性的背景下被重新重视
保证准确率的推荐，很容易导致：

1、用户的次要兴趣被主要兴趣挤出，使得推荐结果的领域逐渐趋向狭窄

2、当多个用户使用同一账号时，不活跃的用户的兴趣会被排挤

校准推荐（calibrated recommendations）可以避免这个问题
贡献：概述量化标准度的度量指标，后处理推荐系统输出的重新排序算法

INTRODUCTION

校准（calibrated）：各个类别的预测比例与数据中的实际比例一致
校准推荐（calibrated recommendations）：推荐列表能够反应用户的各种兴趣比例
校准的多样性：不同于项目之间最小相似性意义上的多样性，和推荐项的冗余

产品概述

产品信息

产品名称：Soul
版本：V3.0.12-18081801
Slogan：跟随灵魂找到你
简介：时下超火的弱关系社交，通过完成 30 秒的“灵魂测试”，来找到心灵相通的小伙伴。更有“Soul 荐”算法，秒推最能懂你的陌生人，随时随地聊天分享~还可能找到 Soulmate

产品特色

灵魂匹配：
通过简单的性格测试和各种深入测试将用户划分为不同类型的群体，称之为星球，为用户推荐性格相近的好友，弱化了看脸的社交本质，更注重灵魂相近、趣味相投的内在共鸣。

匿名社交：
为用户提供一个良好的发泄内心的不快与郁结的平台，将用户关注的重点从某个人转移到某件事情本身，评论更加客观，让用户更愿意更放心抒发情绪，大大减少社交压力。