初读师兄论文---面向多样性的推荐算法研究
第三章.推荐算法的改进方法
已知的推荐算法都是基于不同的推荐思想和角度来为用户生成推荐结果的，要改进这些算法需要对症下药。
本篇论文提出的论断是不同活跃度的用户对推荐结果多样性的需求是不同的。
作者的角度是从用户活跃度对算法本身进行直接的改进。
- 面临的问题
- 用户活跃度与多样性需求
以往对推荐多样性的的研究，大多考虑的是针对所有用户的推荐结果做平均化后的结果，但事实上， 从单个用户的角度来看的话，不同的用户的多样性偏好是不同的。作者认为不同的用户应该是有不同的多样性偏好的，本文从用户活跃度角度来刻画不同的用户。交互更多物品的用户其活跃度就越大，反之，其活跃度越低。
作者研究的思路就是不同活跃度的用户应该具有不同的多样性偏好。
引用文章中的图示，横坐标用户活跃度越大时，用户交互过的所有物品的平均流行度就越低，上图表明了，高活跃度的用户更倾向于交互更冷门的物品。可以粗略的得出用户对推荐结果中的新物品的流行程度是有不同偏好的这一假设。推荐结果的物品流行程度很大程度上和推荐结果的多样性是正相关联系的。作者得出这样的推断，活跃度越大的用户其多样性偏好也应该越大。
作者还提出，对低活跃度用户，他们仅仅交互了少量的物品，其行为数据不足以刻画他们的兴趣偏好，这是应该关注提高他们的推荐准确率，为他们推荐一些热门的物品而不是盲目的提高多样性，在保证一定的准确率后，用户产生更多的交互行为以后，再提高其推荐列表的多样性。
所以，作者提出的多样性问题的解决方式就是，为了平衡推荐结果的多样性和准确率，对低活跃度用户，优先考虑准确率，忽略其推荐多样性，对高活跃度用户，重视推荐列表的多样性水平，可以允许推荐结果的准确率有一定的损失。
- 划分用户群