中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

筆者重讀《推薦系統(tǒng)實(shí)踐》，總結(jié)了其中要點(diǎn)，也闡述了自己的一些想法，分享給大家，供大家參考學(xué)習(xí)。

在這個(gè)信息過(guò)載的時(shí)代，個(gè)性化推薦系統(tǒng)是我們?nèi)粘６紩?huì)接觸到的，最近因?yàn)橐o小伙伴分享，重新過(guò)了一下《推薦系統(tǒng)實(shí)踐》這本書(shū)的內(nèi)容，也把其中一些要點(diǎn)整理分享出來(lái)。

首先來(lái)說(shuō)說(shuō)，為什么要有個(gè)性化推薦系統(tǒng)，主要是為了以下兩點(diǎn)：

1. 解決信息過(guò)載問(wèn)題；
2. 挖掘長(zhǎng)尾物品/信息。

推薦系統(tǒng)通過(guò)發(fā)掘用戶的行為，找到用戶的個(gè)性化需求，從而將長(zhǎng)尾物品準(zhǔn)確推薦給需要它的用戶，幫助用戶找到他們感興趣但很難發(fā)現(xiàn)的物品。

推薦算法評(píng)估指標(biāo)

• 準(zhǔn)確率：準(zhǔn)確率是針對(duì)預(yù)測(cè)結(jié)果而言的，表示給用戶推薦的物品中，有多少是真正感興趣的。
• 召回率：召回率是針對(duì)推薦的結(jié)果，它表示的是用戶感興趣的物品中，有多少個(gè)是系統(tǒng)推薦的。
• 覆蓋率：反映了推薦算法挖掘長(zhǎng)尾物品的能力，如果所有物品都至少推薦給了1個(gè)用戶，則覆蓋率為100%。
• 流行度：根據(jù)推薦物品的平均流行度進(jìn)行度量，如果推薦物品的流行度都比較高，則物品新穎度比較低。

常用推薦算法

協(xié)同過(guò)濾算法是基于用戶行為數(shù)據(jù)設(shè)計(jì)的推薦算法，其中主要包括三類(lèi)算法：「基于領(lǐng)域的方法」、「隱語(yǔ)義模型」、「基于圖的隨機(jī)游走算法」，這里主要給大家介紹一下「基于領(lǐng)域的方法」，分為User CF和Item CF兩種。

基于用戶的協(xié)同過(guò)濾（User Collaborative Filtering）

User CF的基礎(chǔ)邏輯是給用戶推薦和他興趣相似的其他用戶喜歡的物品，步驟如下：

1. 找到和目標(biāo)用戶興趣相似的用戶集合；
2. 找到這個(gè)集合中的用戶喜歡的，且目標(biāo)用戶沒(méi)有聽(tīng)說(shuō)過(guò)的物品推薦給目標(biāo)用戶。

設(shè)有兩個(gè)用戶u和v，N(u)表示用戶u曾經(jīng)有過(guò)正反饋的物品集合，可通過(guò)以下方式計(jì)算兩個(gè)用戶的興趣相似度：

Jaccard公式：

計(jì)算余弦相似度：

得到用戶的興趣相似度后，選擇與用戶興趣最相似的K個(gè)用戶，將他們的興趣物品（并排除目標(biāo)用戶已反饋過(guò)的物品），推薦給目標(biāo)用戶。

算法缺點(diǎn)

• 隨著網(wǎng)站用戶數(shù)目越來(lái)越大，計(jì)算用戶興趣相似矩陣越來(lái)越困難；
• 運(yùn)算時(shí)間復(fù)雜度和空間復(fù)雜度與用戶數(shù)增長(zhǎng)近似于平方關(guān)系。

因此，亞馬遜推出了-item CF。

基于物品的協(xié)同過(guò)濾（Item Collaborative Filtering）

User CF的基礎(chǔ)邏輯是給用戶推薦和他之前喜歡的物品相似的物品，步驟如下：

1. 計(jì)算物品之間的相似度；
2. 根據(jù)物品的相似度和用戶的歷史行為給用戶生成推薦列表。

通過(guò)計(jì)算喜歡物品 i 的用戶中有多少也喜歡物品 j，來(lái)計(jì)算兩個(gè)物品的相似度：

得到物品的相似度后，選擇與其最相似的K個(gè)物品集合，推薦給目標(biāo)用戶。

User CF與Item CF算法的對(duì)比

推薦系統(tǒng)的評(píng)估維度

評(píng)估一個(gè)推薦系統(tǒng)的質(zhì)量，需要綜合多個(gè)維度進(jìn)行評(píng)估，核心維度如下：

• 用戶滿意度：用戶后續(xù)行為反饋，調(diào)研
• 預(yù)測(cè)準(zhǔn)確度：準(zhǔn)確度/召回率
• 覆蓋率：對(duì)物品長(zhǎng)尾的挖掘能力，注意馬太效應(yīng)的影響
• 多樣性：用戶興趣類(lèi)型分布
• 新穎性：排除用戶歷史反饋物品，排除熱門(mén)物品
• 驚喜度：非用戶歷史興趣，但是滿意
• 信任度：透明度，推薦機(jī)制解釋程度
• 實(shí)時(shí)性：是否可以針對(duì)用戶行為實(shí)時(shí)進(jìn)行反饋
• 健壯性：防攻擊，反作弊
• 商業(yè)目標(biāo)達(dá)成情況

冷啟動(dòng)

除了以上所述，搭建推薦系統(tǒng)，還需要考慮的一個(gè)重要問(wèn)題就是“冷啟動(dòng)”，涉及冷啟動(dòng)的場(chǎng)景主要有以下三類(lèi)：

1. 用戶冷啟動(dòng)

一個(gè)新用戶，沒(méi)有任何歷史行為數(shù)據(jù)，怎么做推薦。

2. 物品冷啟動(dòng)

一個(gè)新上線的物品，沒(méi)有用戶對(duì)它產(chǎn)生過(guò)行為，怎么推薦給感興趣的用戶。

3. 系統(tǒng)冷啟動(dòng)

一個(gè)新開(kāi)發(fā)的網(wǎng)站，沒(méi)有用戶數(shù)據(jù)，怎么做個(gè)性化推薦。

根據(jù)系統(tǒng)的場(chǎng)景屬性，可以設(shè)計(jì)不同的冷啟動(dòng)方式：

• 提供非個(gè)性化推薦；
• 利用用戶注冊(cè)信息如年齡性別等做粗顆粒度推薦；
• 利用用戶社交關(guān)系；
• 新用戶要求對(duì)一系列物品進(jìn)行反饋；
• 對(duì)應(yīng)新物品，利用內(nèi)容屬性推薦給相似物品感興趣用戶；
• 專(zhuān)家搭建多維度標(biāo)簽體系。

設(shè)計(jì)一個(gè)健全的推薦系統(tǒng)，算法和策略需要綜合考慮多項(xiàng)因素，包括服務(wù)器、計(jì)算資源成本，人力成本，可持續(xù)性和可擴(kuò)展性等。

高質(zhì)量的推薦系統(tǒng)會(huì)使用戶對(duì)系統(tǒng)產(chǎn)生依賴(lài)，因此，推薦系統(tǒng)不僅能為用戶提供個(gè)性化服務(wù)，還能與用戶建立長(zhǎng)期穩(wěn)定的關(guān)系，提高用戶忠誠(chéng)度，防止用戶流失。

希望我的梳理可以給到一些啟發(fā)和參考。

本文由 @orca 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來(lái)自Unsplash，基于CC0協(xié)議。