推荐系统面试中最常见的问题

问题1：什么是推荐系统？

高分回答：

推荐系统是信息过滤系统的一个子类，旨在预测用户对某个项目的评级或偏好。
推荐系统通常使用协同过滤和基于内容的过滤中的一种或两种，以及其他系统，如基于知识的系统。

[图示已省略]

问题2：基于知识的推荐系统与协作和基于内容的推荐系统有何不同？

高分回答：

基于内容和协作系统的推荐主要基于历史数据。
基于知识的系统的建议是基于用户对他们想要的东西的直接规范。
知识型系统的一个重要特征是针对特定领域的高度定制。这种定制是通过使用知识库来实现的，知识库以约束或相似性度量的形式对相关领域知识进行编码。

问题3：协作推荐系统和基于内容的推荐系统有什么区别？

高分回答：

推荐系统的协作方法是仅基于用户和项目之间记录的过去交互来产生新推荐的方法。
与协作方法不同，基于内容的方法使用有关用户和/或项目的附加信息。
现实世界中，使用协同过滤的一个例子是Last.fm公司。他们会通过观察用户定期收听的乐队和单曲，并将它们与其他用户的收听行为进行比较，创建一个推荐歌曲的“电台”。这种方法充分利用了用户的行为。
**Pandora采用基于内容的推荐系统方法。它利用歌曲或艺术家的属性来查找播放具有类似属性的音乐的“电台”。用户反馈用于优化电台的结果，当用户“不喜欢”某首歌曲时，电台会淡化某些属性；当用户“喜欢”某首歌曲时，电台会强调其他属性。

[图示已省略]

问题4：推荐系统中存在哪些特定领域的挑战？

高分回答：

在不同的领域中，例如时间数据、基于位置的数据和社交数据，推荐的上下文起着至关重要的作用。上下文推荐系统的概念是为了解决这些领域中出现的额外附加信息而开发的。
此概念针对不同类型的数据进行了不同的修改。
一些特定领域的应用是基于上下文的推荐系统、时间敏感的推荐系统、基于位置的推荐系统和社交推荐系统。

问题5：推荐系统有哪些应用？

高分回答：

查询推荐：一个有趣的问题是如何使用 Weblog 向用户推荐查询。目前还不清楚查询推荐是否应被视为个性化应用，因为推荐通常是针对特定会话的（即，取决于用户在短会话中的行为历史），而不使用长期用户行为。这是因为查询通常是在多个会话中无法使用用户重新识别机制的场景下发出的。
门户内容和新闻个性化：许多在线门户网站都具有强大的用户识别机制，可通过该机制识别回访用户。在这种情况下，可以个性化提供给用户的内容。新闻个性化引擎（例如 Google 新闻）也采用这种方法，其中使用 Gmail 帐户进行用户识别。新闻个性化通常基于包含用户行为（点击）的隐式反馈，而不是显式评级。
计算广告：计算广告是一种推荐形式，因为公司希望能够根据相关上下文（网页或搜索查询）为用户识别广告。因此，推荐系统的许多想法直接应用于计算广告领域。

问题6：什么是基于模型的协作方法？

高分回答：

基于模型的协作方法仅依赖于用户-项目交互信息并假设一个潜在模型来解释这些交互。
例如，矩阵分解算法包括将巨大而稀疏的用户-项目交互矩阵分解为两个较小且密集的矩阵的乘积：用户因子矩阵（包含用户表示）乘以因子-项目矩阵（包含项目表示）。

[图示已省略]

问题7：基于内容的系统的基本组成部分是什么？

高分回答：

基于组件的系统的各个组件如下：

预处理和特征提取：基于内容的系统用于各种领域，例如网页、产品描述、新闻、音乐特征等。在大多数情况下，从这些不同的来源提取特征，以将其转换为基于关键字的向量空间表示。这是任何基于内容的推荐系统的第一步，并且它高度特定于领域。然而，正确提取最具信息量的特征对于任何基于内容的推荐系统的有效运行都是必不可少的。 [已移除：营销/导流内容]
过滤和推荐：在此步骤中，使用从前面步骤中学习到的模型为特定用户提供商品推荐。此步骤需要非常高效，因为预测需要实时进行。