前幾天剛剛做了一個(gè)設(shè)計(jì)推薦系統(tǒng)的分享講座，在這里我盡量清楚地把講座內(nèi)容總結(jié)、提煉成文字，方便大家理解。
常見(jiàn)的個(gè)性化推薦原理
基于用戶基本信息推薦Demographic-based Recommendation
如：領(lǐng)域、職位、工作年齡、性別、所在地
這個(gè)是比較基礎(chǔ)的推薦之一，基于用戶的基本信息，可以根據(jù)他的這些信息給他推薦感興趣的或者相關(guān)的內(nèi)容。
基于物品/內(nèi)容基本信息推薦Content-based Recommendation
文章的一些顯性屬性如：領(lǐng)域、主題、類(lèi)型、來(lái)源
這也是一種基礎(chǔ)的推薦，基于被推薦物的基本信息，或者說(shuō)是被推薦物的顯性屬性。
前面這兩種都比較基礎(chǔ)，下面這一種會(huì)復(fù)雜一些。
協(xié)同推薦Collaborative Filtering
a method of making automatic predictions (filtering) about the interests of a user by collecting preferences or taste information from many users(collaborating).
需要通過(guò)用戶行為來(lái)計(jì)算出用戶或者物品間的相關(guān)性。
- 基于用戶的協(xié)同推薦
以人為本，找到和你相似的人后推薦他們看了而你沒(méi)有看的內(nèi)容。
這是一個(gè)用戶關(guān)注內(nèi)容的列表，當(dāng)然是非常簡(jiǎn)化之后的。
顯然在這個(gè)列表中，小張和小明關(guān)注的內(nèi)容更為相似，那么就可以給小張推薦比特幣。
- 基于物品的協(xié)同推薦
以物為本建立各商品之間的相似度關(guān)系矩陣，“用戶看了x也會(huì)看y”。
小張和小明都不約而同地看了產(chǎn)品經(jīng)理和Google，這可以說(shuō)明產(chǎn)品經(jīng)理和Google有相似，那么之后有看了Google相關(guān)內(nèi)容的用戶就可以給推薦產(chǎn)品經(jīng)理的相關(guān)內(nèi)容。
基于用戶和被推薦物推薦不需要特別多的數(shù)據(jù)，比較適合應(yīng)用在冷啟動(dòng)階段。
而協(xié)同推薦是基于大數(shù)據(jù)的，所以我前面舉的例子都是簡(jiǎn)化之后的，在實(shí)際的操作過(guò)程中用戶的行為會(huì)比前面的例子復(fù)雜的多，但是道理都是相通的。
如何設(shè)計(jì)一個(gè)好的推薦系統(tǒng)？
UGC 、編輯、熱門(mén)
- UGC: 獲取更多用戶行為數(shù)據(jù)，用戶顯性和隱形的數(shù)據(jù)
- 編輯: 處于種種目的編輯的運(yùn)營(yíng)
- 熱門(mén): 最火最熱門(mén)的內(nèi)容
新用戶的冷啟動(dòng)
在沒(méi)有大數(shù)據(jù)做基礎(chǔ)的時(shí)候，可以有下面兩種解決方案：
- 基于用戶信息的推薦
- 盡快讓用戶表達(dá)興趣
稀疏性
有的時(shí)候你有的總內(nèi)容數(shù)量遠(yuǎn)大于用戶有“打分”的內(nèi)容數(shù)量，對(duì)于這種情況的解決方案：
- 用戶隱形打分
- 降維。Matrix of boolean feature，投射到低維空間，再用機(jī)器學(xué)習(xí)
- 結(jié)合基于物品基本信息的推薦
多樣性
- 看過(guò)什么，推薦相同類(lèi)型的；
- 為你推薦你需要也比較適合你的；
- 基于你的性格、興趣等，推薦甚至連自己沒(méi)想到過(guò)卻真正感興趣的；
這部分推薦聽(tīng)起來(lái)感覺(jué)是玄學(xué)，但是給我們推薦的一個(gè)思路就是不要僅僅局限于某一種類(lèi)型的推薦上，相同類(lèi)型、需求甚至挖掘興趣，都是可以考慮的推薦內(nèi)容。
實(shí)時(shí)性
根據(jù)用戶的行為， 實(shí)時(shí)的調(diào)整。好的推薦系統(tǒng)是在不斷更新的。
如何判斷一個(gè)推薦系統(tǒng)做得好不好？
獲得反饋并一直迭代
與推薦系統(tǒng)的交互有用嗎？他們對(duì)收到的推薦結(jié)果滿意嗎？
設(shè)計(jì)評(píng)測(cè)標(biāo)準(zhǔn)
1.能吸引更多的用戶看內(nèi)容的詳情頁(yè)
2.促使單個(gè)用戶瀏覽更多內(nèi)容
