前幾天剛剛做了一個設(shè)計推薦系統(tǒng)的分享講座强法，在這里我盡量清楚地把講座內(nèi)容總結(jié)、提煉成文字湾笛，方便大家理解饮怯。
常見的個性化推薦原理
基于用戶基本信息推薦Demographic-based Recommendation
如：領(lǐng)域、職位嚎研、工作年齡蓖墅、性別、所在地
這個是比較基礎(chǔ)的推薦之一临扮，基于用戶的基本信息论矾，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)域杆勇、主題贪壳、類型、來源
這也是一種基礎(chǔ)的推薦蚜退，基于被推薦物的基本信息闰靴，或者說是被推薦物的顯性屬性。
前面這兩種都比較基礎(chǔ)钻注，下面這一種會復(fù)雜一些传黄。
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).
需要通過用戶行為來計算出用戶或者物品間的相關(guān)性。
- 基于用戶的協(xié)同推薦
以人為本队寇，找到和你相似的人后推薦他們看了而你沒有看的內(nèi)容。
這是一個用戶關(guān)注內(nèi)容的列表章姓，當(dāng)然是非常簡化之后的佳遣。
顯然在這個列表中，小張和小明關(guān)注的內(nèi)容更為相似凡伊，那么就可以給小張推薦比特幣零渐。
- 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也會看y”系忙。
小張和小明都不約而同地看了產(chǎn)品經(jīng)理和Google诵盼，這可以說明產(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)容银还。
基于用戶和被推薦物推薦不需要特別多的數(shù)據(jù)风宁，比較適合應(yīng)用在冷啟動階段。
而協(xié)同推薦是基于大數(shù)據(jù)的蛹疯，所以我前面舉的例子都是簡化之后的戒财，在實際的操作過程中用戶的行為會比前面的例子復(fù)雜的多，但是道理都是相通的捺弦。
如何設(shè)計一個好的推薦系統(tǒng)饮寞？
UGC 孝扛、編輯、熱門
- UGC: 獲取更多用戶行為數(shù)據(jù)幽崩，用戶顯性和隱形的數(shù)據(jù)
- 編輯: 處于種種目的編輯的運營
- 熱門: 最火最熱門的內(nèi)容
新用戶的冷啟動
在沒有大數(shù)據(jù)做基礎(chǔ)的時候苦始，可以有下面兩種解決方案：
- 基于用戶信息的推薦
- 盡快讓用戶表達興趣
稀疏性
有的時候你有的總內(nèi)容數(shù)量遠大于用戶有“打分”的內(nèi)容數(shù)量，對于這種情況的解決方案：
- 用戶隱形打分
- 降維慌申。Matrix of boolean feature陌选，投射到低維空間，再用機器學(xué)習(xí)
- 結(jié)合基于物品基本信息的推薦
多樣性
- 看過什么太示，推薦相同類型的柠贤；
- 為你推薦你需要也比較適合你的；
- 基于你的性格类缤、興趣等臼勉，推薦甚至連自己沒想到過卻真正感興趣的；
這部分推薦聽起來感覺是玄學(xué)餐弱，但是給我們推薦的一個思路就是不要僅僅局限于某一種類型的推薦上宴霸，相同類型、需求甚至挖掘興趣膏蚓，都是可以考慮的推薦內(nèi)容瓢谢。
實時性
根據(jù)用戶的行為， 實時的調(diào)整驮瞧。好的推薦系統(tǒng)是在不斷更新的氓扛。
如何判斷一個推薦系統(tǒng)做得好不好？
獲得反饋并一直迭代
與推薦系統(tǒng)的交互有用嗎论笔？他們對收到的推薦結(jié)果滿意嗎采郎？
設(shè)計評測標(biāo)準(zhǔn)
1.能吸引更多的用戶看內(nèi)容的詳情頁
2.促使單個用戶瀏覽更多內(nèi)容
