好的推薦系統(tǒng)，不僅能預(yù)測用戶的行為，還能幫助用戶發(fā)現(xiàn)他們可能感興趣但不容易發(fā)現(xiàn)的東西。
最近看了項亮老師的《推薦系統(tǒng)實踐》，深感個性化推薦在當(dāng)下的互聯(lián)網(wǎng)產(chǎn)品中的地位，個性化推薦是有效【提高用戶粘度】的方法，從而【鼓勵用戶產(chǎn)生更多的行為】。但是對于不同階段的產(chǎn)品、不同類型的產(chǎn)品有特定的推薦算法，下面我就簡單介紹一下。
對于一個全新的產(chǎn)品想做個性化，面對缺少用戶數(shù)據(jù)積累這樣的一個情況，就不得不考慮推薦系統(tǒng)的冷啟動問題(cold start)。雖說數(shù)據(jù)稀缺，但是仍然有一些方法能幫助產(chǎn)品經(jīng)理獲得一些數(shù)據(jù)，這也是我之前沒有考慮到的。解決方案有如下幾種：
1.直接推薦熱門排行榜：這在某種意義上是群體性的個性化，相比隨機推薦效果要好
2.利用用戶注冊信息：！！很重要，性別、年齡、地區(qū)能極大地縮小推薦范圍！
3.提供社交網(wǎng)絡(luò)賬號登錄：很多產(chǎn)品提供第三方社交賬號登錄不僅僅是為了方便，更重要的是獲得你的社交數(shù)據(jù)，從而給你推薦你朋友喜歡過的內(nèi)容。
4.登錄時進行興趣詢問：比如Jinni在初次使用會詢問喜歡的電影類型以及對應(yīng)類型下幾部電影的評分
5.新物品推薦：對于新加入的物品，基于物品內(nèi)容信息的推薦更加可靠，一段時間后可以利用UserCF和ItemCF(協(xié)同過濾）
6.找專家標(biāo)注：比如Pandora，一開始沒有用戶行為數(shù)據(jù)也沒有物品內(nèi)容信息，找專家對400度個維度進行標(biāo)注然后得到相似度列表
解決了冷啟動的問題之后，用戶在我們的產(chǎn)品上積累了一定的數(shù)據(jù)，那么一般會從以下四個維度進行推薦：【基于用戶行為數(shù)據(jù)的推薦】、【基于用戶標(biāo)簽數(shù)據(jù)的推薦】、【基于上下文信息的推薦】、【基于社交網(wǎng)絡(luò)的推薦】。
基于用戶行為數(shù)據(jù)的推薦應(yīng)用比較廣泛，適合各種各樣的網(wǎng)站、APP。
1.基于用戶的協(xié)同過濾（User CF）:物以類聚，人以群分。如果你們喜歡的東西重合度很高，那么TA喜歡過的東西就很有可能被你喜歡。比如新浪微博推薦好友時，首先回去找那些和你【共同關(guān)注數(shù)】高的好友中你未關(guān)注的人。
2.基于物品的協(xié)同過濾（ItemCF）:與UserCF類似，只不過是基于物品相似表，物品相似表可以基于物品內(nèi)容構(gòu)建，也可以基于該物品被類似的一群人喜歡過作為相似度的依據(jù)來構(gòu)建。
3.隱語義模型：如果你喜歡某樣?xùn)|西，那么先去找這樣?xùn)|西屬于哪個類，推薦給你這個類下的其他東西即可。
4.基于圖的模型：用戶u對物品i進行了操作，就可以表示為(u,i),這樣一來就可以構(gòu)成一個用戶-物品的二部圖，通過考慮【兩個頂點之間的路徑數(shù)】、【兩個頂點之間路徑的長度】、【兩個頂點之間路徑經(jīng)過的頂點】對用戶u做一個TopN的用戶序列排名。
第二類是基于用戶標(biāo)簽的推薦：這樣的推薦形式需要用戶給內(nèi)容打標(biāo)簽，如最早的書簽社交網(wǎng)站Delicious，現(xiàn)在的文藝青年社區(qū)豆瓣也有大量讓你選擇你看過的電影、圖書并且鼓勵你打標(biāo)簽，這種基于分眾分類的方式能匯聚集體智慧幫助用戶找到他喜歡的內(nèi)容。
第三類基于上下文的推薦就是要考慮時間、位置、心情等因素，比如對于電商網(wǎng)站來說夏天和冬天推薦的商品應(yīng)該不同，對于音樂類軟件來說早晨和晚上推薦的歌曲應(yīng)該不同，團購網(wǎng)站來說，應(yīng)該基于地理位置推薦附近的商家。
第四類是基于社交網(wǎng)絡(luò)關(guān)系的推薦，這類推薦適合有豐富社交關(guān)系的網(wǎng)站，如新浪微博、facebook、instagram。
1.基于領(lǐng)域的社會化推薦算法：衡量用戶u和用戶v的熟悉程度和興趣相似度
2.基于圖的社會化推薦算法：比如豆瓣就有群組，可以構(gòu)成群組-用戶-內(nèi)容的圖結(jié)構(gòu)，再對內(nèi)容進行排序
3.信息流推薦：比如在微博中我關(guān)注用戶很多，但并不是所有的言論我都感興趣，因此推薦系統(tǒng)應(yīng)該對信息流進行排序。排序依據(jù)可以參考facebook的EdgeRank,其主要思路如下：Facebook的EdgeRank綜合考慮了每個會話的時間、長度與用戶興趣的相似度，它將其他用戶對當(dāng)前用戶信息流中的會話產(chǎn)生過行為的行為稱為edge，一條會話的權(quán)重定義為∑(Edges e)UeWeDe，結(jié)論就是如果一個會話被你熟悉的好友最近產(chǎn)生過重要的行為，它就會有比較高的權(quán)重。但這個EdgeRank算法只考慮了社會化推薦，對內(nèi)容本身沒有考慮，因此加入會話長度，話題相關(guān)性和用戶熟悉程度能有效提升算法的準(zhǔn)確度。
算法構(gòu)成了推薦系統(tǒng)的核心，除此之外應(yīng)該將UI、日志系統(tǒng)都納入到整個推薦工作的考慮當(dāng)中來，他們是互相配合和支持的。
總的來說就是這四類，產(chǎn)品經(jīng)理可以結(jié)合自己產(chǎn)品的特點，有針對性的收集相關(guān)數(shù)據(jù)，如在注冊界面要求選擇個人基本信息、添加標(biāo)簽或評價反饋機制，當(dāng)然這樣的功能改動以不增加用戶負(fù)擔(dān)和不影響用戶體驗為前提，推薦系統(tǒng)是一個產(chǎn)品不可或缺的一部份，需要用系統(tǒng)和長遠(yuǎn)的眼光重視這個部分。
