繼上一次發(fā)原創(chuàng)到現(xiàn)在已經(jīng)有相當(dāng)一段時(shí)間了，剛進(jìn)入新公司不久，主要在熟悉業(yè)務(wù)和整理規(guī)劃，加上目前負(fù)責(zé)搜索和推薦兩塊業(yè)務(wù)，較之前稍微忙些，所以屬于比較低產(chǎn)的狀態(tài)，當(dāng)然馬云大大說了：“優(yōu)秀的人大多都是從自己身上找問題”，為了趕上優(yōu)秀人群的腳步，我也好好反省自己，重要的事情心中默念三遍：是我太懶了！是我太懶了！是我太懶了！
好了，言歸正傳～
今天主要跟大家聊聊推薦系統(tǒng)，可能有部分同學(xué)不是很了解推薦系統(tǒng)到底是如何推薦的，不用擔(dān)心，先給大家介紹幾個(gè)推薦系統(tǒng)的應(yīng)用場(chǎng)景
（1）購物類app：首頁底部“為您推薦/猜您喜歡”
? ?場(chǎng)景：用戶打開首頁瀏覽時(shí)，用戶在沒有具體目的逛（有具體目的一般通過搜索分發(fā)了），這時(shí)給用戶進(jìn)行推薦，用戶在逛的過程中發(fā)現(xiàn)和自己興趣可能相關(guān)的物品，可以直接進(jìn)行查看；從展示層面來看，推薦的是商品，用戶看到喜歡的商品可以直接點(diǎn)擊進(jìn)入到詳情頁，極大縮短用戶購買路徑（相對(duì)于賣場(chǎng)入口來說）
（2）購物類app：購物車底部“為您推薦/猜您喜歡”
場(chǎng)景：用戶進(jìn)入到購物車后，準(zhǔn)備下單或只是查看購物車（先看到想買的先收入到購物車，然后最后結(jié)賬之間的這段時(shí)間中會(huì)偶爾進(jìn)來看看），這時(shí)底部的推薦則是推薦和購物車?yán)锷唐废嚓P(guān)的商品或者用戶有較大可能購買的商品
此處敲黑板（重點(diǎn)）：
首頁的推薦和購物車?yán)锏耐扑]商品看似形式一樣，但是這兩處的場(chǎng)景細(xì)分后會(huì)發(fā)現(xiàn)很不一樣 ?
?首頁需要對(duì)用戶行為進(jìn)行更大范圍的推薦，用戶在首頁的目的可能是多種多樣，所以用戶的瀏覽、收藏、搜索查看等都可以作為用戶的行為特征，進(jìn)而進(jìn)行推薦
?購物車頁，用戶在查看時(shí)，目的會(huì)更清晰些，帶有下單或者查看購物車物品等目的，這時(shí)推薦如果范圍過粗則可能增加用戶的瀏覽成本，效率過低，故這里可以針對(duì)一些用戶類似購買或下單的行為進(jìn)行推薦，如購買、復(fù)購次數(shù)高（當(dāng)然復(fù)購是有些條件和細(xì)分，這個(gè)在以后的文章再進(jìn)行詳細(xì)描述），同時(shí)也可以從另一個(gè)角度進(jìn)行推薦，如和購物車相關(guān)的商品
（3）內(nèi)容類app：知乎首頁推薦
場(chǎng)景：用戶在首頁瀏覽內(nèi)容，需要更符合用戶興趣點(diǎn)的內(nèi)容，減少無關(guān)內(nèi)容的曝光
知乎app首頁默認(rèn)打開現(xiàn)實(shí)“推薦”，而不是“關(guān)注”等其他tab，說明從平臺(tái)角度來說，認(rèn)為推薦要比關(guān)注等其他tab更加重要，那么如何衡量重要這個(gè)角度呢，可能有以下幾點(diǎn)：
觸達(dá)：平臺(tái)可以在“推薦”中非常自然的發(fā)表平臺(tái)想讓用戶看到的內(nèi)容（如圖中第一條內(nèi)容（沒有特別明顯特征）：《2018，年度盤點(diǎn)》），而其他tab中平臺(tái)觸達(dá)則不是這么自然
自信：平臺(tái)有自信，相信推薦的內(nèi)容要比用戶關(guān)注的內(nèi)容更符合用戶的興趣點(diǎn)，“關(guān)注”下的內(nèi)容不像“推薦”下具有多重維度的商品召回、篩選、過濾以及排序，而“推薦”下的內(nèi)容則是基于對(duì)用戶數(shù)據(jù)的分析，做到比你更懂你
多樣：推薦的角度更加多樣，在保證內(nèi)容相關(guān)性的基礎(chǔ)上，可以做到更加多樣，更加新穎
（4）內(nèi)容類app：推薦關(guān)注人
場(chǎng)景：人類是具有社會(huì)社交屬性的生物，人類之間的彼此的關(guān)聯(lián)關(guān)系是社會(huì)中最重要的關(guān)系之一，你關(guān)注的一個(gè)話題或者內(nèi)容，和你關(guān)注同一個(gè)話題或內(nèi)容的人和有可能和你最近關(guān)注的領(lǐng)域具有一定的重合，或者你朋友認(rèn)識(shí)的人很有可能是你認(rèn)識(shí)的人等等
（5）視頻類app：抖音推薦
場(chǎng)景：用戶打開應(yīng)用戶，直接看到推薦內(nèi)容，同時(shí)提供非常簡(jiǎn)單的操作，降低用戶對(duì)視頻反饋成本，同時(shí)降低用戶注意力分散，讓用戶打開后不用選擇，直接看到內(nèi)容，提升沉浸式體驗(yàn)，這里推薦也從多個(gè)角度進(jìn)行推薦，地理位置（可能通過地理標(biāo)簽形式實(shí)現(xiàn)，如喜歡過的一個(gè)視頻具有典型的地區(qū)特征，那么會(huì)推送和該地區(qū)相關(guān)的其他內(nèi)容），興趣點(diǎn)（如點(diǎn)贊，分享等），熱點(diǎn)內(nèi)容（火爆）等等
說完了場(chǎng)景，是不是感覺到其實(shí)我們和推薦系統(tǒng)并不遙遠(yuǎn)，甚至天天接觸，那么我們?cè)賮碇v講推薦引擎的架構(gòu)，來看看推薦系統(tǒng)是如何給用戶進(jìn)行推薦的（如下圖）
推薦引擎構(gòu)成主要由四部分構(gòu)成（書上是三部分，自己擴(kuò)充了一些），如圖所示（左側(cè)為召回&打分，右側(cè)為排序&Rerank）：
召回：從所有物品集中選擇出符合要求的物品集，明確物品界限
打分：對(duì)召回的物品集從各角度（多維度）進(jìn)行評(píng)判打分，多維度賦予不同的權(quán)重，給物品打上不同的分?jǐn)?shù)
排序：對(duì)打分了的物品進(jìn)行排序，根據(jù)分?jǐn)?shù)高低進(jìn)行排序，輸出初始的推薦結(jié)果
Rerank：根據(jù)用戶的反饋（如收藏、喜歡等）以及物品的屬性（如新品等）對(duì)物品再進(jìn)行一輪分?jǐn)?shù)加成，最后得到新的得分，根據(jù)新的得分進(jìn)行排序，輸出最終的推薦結(jié)果
圖中對(duì)應(yīng)了四部分（ABCD）
A：用戶特征提取
對(duì)用戶行為進(jìn)行分析提取，選取用戶行為中最能代表用戶意圖的行為，搭建特征工程，用戶的特征不是一塵不變的，需要定期更新和維護(hù)，用戶行為具有
（1）行為重復(fù)性（如多次購買，多次分享等）
（2）時(shí)間遞減性（近期瀏覽比早期瀏覽更能代表用戶近期關(guān)注點(diǎn)）
（3）行為程度性（購買比瀏覽要更重要）
（4）行為多樣性（用戶行為非常多，如何選擇是決定推薦效果的關(guān)鍵因素）
B：特征-物品關(guān)聯(lián)構(gòu)造
用戶對(duì)應(yīng)的特征提取后，形成特征向量，接下來就是構(gòu)造特征相關(guān)的物品列表
用戶對(duì)應(yīng)的不同行為，產(chǎn)生了一系列行為物品集（一個(gè)行為對(duì)應(yīng)的物品，如瀏覽這個(gè)行為，對(duì)應(yīng)的物品集就是瀏覽了哪些商品），這就是相關(guān)表
圖中的“候選物品集”即一開始確定的物品邊界（如推薦商品必須是可購買的，不能是下架或者無貨狀態(tài)的）
在候選物品集基礎(chǔ)上，結(jié)合用戶特征向量和相關(guān)表數(shù)據(jù)，確定好特征物品-相關(guān)推薦物品集，同時(shí)給物品按照特征對(duì)物品影響的重要程度來對(duì)物品打分
C：排序
針對(duì)打分好的物品按照得分高低進(jìn)行排序，得到初始的推薦結(jié)果
D：Rerank
根據(jù)用戶對(duì)物品的反饋（如收藏、喜歡、不感興趣、退貨等）和物品的屬性（物品所在地區(qū)、物品上線時(shí)間、是否是耐用品等）給初始的推薦結(jié)果進(jìn)行再一輪的分?jǐn)?shù)加成（如用戶評(píng)價(jià)五星的商品，給該物品的分?jǐn)?shù)提權(quán)加分），最后得到最新得分結(jié)果，按照得分高低，得到最終的推薦結(jié)果
隨著用戶需求更加多樣化，更加個(gè)性化，傳統(tǒng)推薦（千人一面/千人十面）逐步轉(zhuǎn)型成個(gè)性化推薦（千人千面），憑借對(duì)數(shù)據(jù)的分析，用戶行為特征提取，特征-物品的關(guān)聯(lián)，再根據(jù)用戶反饋等來確定最后的推薦結(jié)果
