業務架式十足地拿起電話，帶著親切的口氣，開口道: 「陳太太呀~~」。這是每日電銷中心的寶貴早晨，每通電話都至關重要，可能關係到月底的獎金是能大吃大喝還是底薪全都付房租。
每一通電話都是寶貴的機會，與其花時間思考推薦何種商品，更多時候業務會根據經驗推薦會員對應的商品，尤其是熱門商品或者是會員最常購買的前幾項商品，打安全牌雖然避免很多犯錯的成本，不過也限縮公司商品的擴展性，於是資料部門便提出推薦系統來協助業務部門。
這次製作的推薦系統著重在推薦會員不同於以往購買紀錄的商品，而不只是可能購買的，因為有很高的可能性會推薦到過去購買最多的商品。
KNN based approach
我們首先將會員是否購買的評分矩陣拆解成不同購買集合的會員們，再計算不同集合的會員特徵間的cosine相似度，獲得距離矩陣。以KNN建立搜尋樹後，將最受相似會員歡迎的產品推薦給會員。
比較和驗證
我們以當月的歷史購買紀錄為資料集，計算top-5 mask accuracy，並且推薦尚未購買過的商品。本次比較的演算法包括 implicit 的ALS、BPR；explicit 的SVD；上述的KNN方法；其他類的NMF、LightFM。
可見矩陣分解在解決推薦問題上，仍然是數一數二的算法，在scikit-learn的加速下更顯出優勢，不過以處理implicit資料為主的ALS和BPR和我們的KNN方法都位居最高的準確度，由此可見資料本身的特性確實深深地影響著演算法的選擇，而lightFM的無論速度或準確度皆最後一名。
結語
期待未來能再加入NCF、LambdaMART、GNN等算法的比較，以及改進KNN方法的效能(目前是純python實作，從最初七分鐘的訓練+推論，現在只有兩秒鐘即能完成推論)。推薦系統已經在網路世界裡佔據極為重要的角色，幾乎所有的大型網路商城或平台上都有推薦系統的存在，不過在脫離網路的線下世界裡，推薦系統在零售業、服務業的使用並不多，我覺得這次是個很不錯的嘗試，利用推薦系統連結線下的人與商品。
附錄:
Alternative Least Square, ALS
R~UI
Least square + L2 regularization
輪流固定U和I，再對I和U計算最小平方減少損失函數，其中加入L2正則化可以處理稀疏性和過擬合的問題。
Singular Value Decomposition, SVD
R~U*Sigma*I
將矩陣拆解成三個不同的矩陣，中間的Sigma扮演潛在因素矩陣，可以用來解釋各component的重要性，畢竟SVD是一種降維的計算方法。
Non-negative Matrix Factorization, NMF
R~UI U>=0, I>=0
將矩陣分解為user矩陣和item矩陣且限制元素恆為非負，雖然有論文使用NMF作為推薦系統，但對我們的資料效果不是很好。
Bayesian personalization ranking, BPR
P(i>j)=logistic
不同於矩陣分解視推薦為用戶矩陣與商品矩陣的交互作用，而是利用排序的方式，視正負樣本間的偏好是由logistic function決定，相似於樹相關的算法概念。
Hybrid latent representation model, LightFM
LightFM 的模型可包含用戶的多個特徵及商品的多個特徵，利用嵌入(embedding)層產生高維的豐富特徵，並解決冷啟動問題。
