【论文阅读第二期】The Wisdom of the few
论文阅读第二期的文章《The Wisdom of the few》讲的是基于专家观点的协同过滤推荐算法，是一篇2009年的文章。作者Xavier Amatriain是推荐系统领域的一位大牛，最早主导了Netflix的推荐系统，后来去了Quora，现在自己创办公司Curai研究AI。因为本人对推荐系统了解比较少，所以只是略读了文章，做一个简单的总结：1. 文章摘要；2.什么是协同过滤
1. 文章摘要
近邻协同过滤是一种有效的互联网用户推荐方法，但是传统的方法有几个明显的缺点：数据稀疏、噪声数据、冷启动等问题，Xavier Amatriain等人就提出了一种基于专家观点的协同过滤算法，用一个独立数据集中的专家评价代替传统的用户评分数据，专家观点的权重根据其与推荐用户的相似度来确定。经过在Netflix部分用户数据上的验证，该算法解决了传统算法的几个缺点，并且能取得相近的准确度，作者还专门设计获得了一个USER-STUDY数据集，对算法进行验证。
2. 协同过滤
什么是协同过滤？
协同过滤主要是基于相似性进行推荐，包括基于用户的推荐、基于物品的推荐、基于模型的推荐等
为什么文章作者说协同过滤是一种互联网用户有效的推荐方式？
在做互联网产品的时候有一个词叫“UGC”-用户产生内容，比如美团、淘宝这些平台上用户对商品及店家的评价，以及前段时间被扒皮说是用户评价数据造假的某旅游APP。用户的参与与输出能反映用户的偏好及习惯，基于此进行推荐，当然能有一定的效果。
协同过滤的难点
正如文章中所说，协同过滤推荐系统存在很多难点：
|- 数据稀疏性
|- 数据噪声
|- 冷启动
|- 相似度度量
|- 可扩展性
3. 木东居士分享：
-
推荐系统主要步骤：
-
“专家”数据该如何定义
推荐系统应用范围广泛，那么怎么把“基于专家意见”的协同过滤方法应用到其他场景呢？关键的是“专家”数据如何定义。“专家”数据可以认为是“高质量数据”，比如音乐推荐中“专家数据”就可以是那些爱听歌和评论的活跃用户数据，他们的数据更新及时。