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

本文將從最簡單的概念開始，逐步講解推薦系統(tǒng)的發(fā)展歷程和最新實(shí)踐。以產(chǎn)品經(jīng)理的視角，闡述推薦系統(tǒng)涉及的算法，技術(shù)和架構(gòu)。本章是第一章，將先概括性介紹推薦系統(tǒng)。

推薦系統(tǒng)是迄今為止，人工智能，大數(shù)據(jù)和云計(jì)算等前沿技術(shù)應(yīng)用得最全面的產(chǎn)品場景之一。它是眾多前沿技術(shù)的結(jié)晶，集百家之大成，復(fù)雜而微妙。但抽繭剝絲后，它又跟眾多的科學(xué)那樣，簡潔而優(yōu)美。像“猜你喜歡“這樣的功能，已經(jīng)數(shù)見不鮮，陪伴我們多年了。但這個功能具體是怎么實(shí)現(xiàn)的呢？我想通過這篇文章跟大家聊一聊。

在介紹推薦系統(tǒng)之前，先簡單介紹下人工智能技術(shù)。

01 解決人工智能問題的兩種思路

人工智能的算法，涵蓋了概率，統(tǒng)計(jì)，高等數(shù)學(xué)，計(jì)算機(jī)，大數(shù)據(jù)等多個學(xué)科的知識，抽象且復(fù)雜。這里不打算給人工智能做內(nèi)涵和外延的定義性解釋，而是從更具象的角度來闡述這個問題。

機(jī)器智能和飛上藍(lán)天，都是人類千百年來的夢想，而且這個兩個尖端科學(xué)都經(jīng)歷了直接仿生的思路失敗后，改變思路獲得了突破。

因?yàn)榭匆婙B能飛，最早制造飛行器的思路，都是模仿鳥的結(jié)構(gòu)。達(dá)芬奇是個偉大的藝術(shù)家，同時也是個能工巧匠，他設(shè)計(jì)了一個非常巧妙且像鳥的飛行器，但似乎并沒有什么用。歷史上第一個真正駕駛飛行器飛上藍(lán)天的人，是把飛行器做的最不像鳥的萊特兄弟。飛機(jī)的誕生，建立在流體力學(xué)的基礎(chǔ)上。

類似地，歷史上，人工智能有兩種主要的思路：

一種是早期的主流思路：模仿人類學(xué)習(xí)的過程，將事物的特性描述給機(jī)器，從而讓機(jī)器獲得跟人類等同的認(rèn)知。

按照這種思路，要讓機(jī)器識別出貓來，就類似于要告訴機(jī)器：貓有四條腿，兩只眼睛，身上有柔軟的毛等等特征。因?yàn)槿司褪沁@樣認(rèn)識貓的。但是這種思路從1956年開始，被研究了十年之后依然毫無進(jìn)展而被擱置。

另一種是現(xiàn)在的思路：讓機(jī)器自己從數(shù)據(jù)中學(xué)習(xí)，從而獲得類似人類的認(rèn)知。

所以，我們現(xiàn)在看到的人工智能術(shù)語名稱，主要都是機(jī)器學(xué)習(xí)（Machine Learning），深度學(xué)習(xí)（Deep Learning），強(qiáng)化學(xué)習(xí)（Reinforcement Learning）等。

按照這個思路，我們要識別出貓，只要給機(jī)器一系列圖片，并標(biāo)記好哪些是貓，哪些不是貓。機(jī)器通過圖像數(shù)據(jù)訓(xùn)練模型，然后再用訓(xùn)練好的模型把貓識別出來。

推薦系統(tǒng)的思路也是這樣，通過讓機(jī)器學(xué)習(xí)每個用戶的點(diǎn)擊，購買，分享，收藏和負(fù)反饋等代表用戶喜好和厭惡的數(shù)據(jù)，以讓機(jī)器知道用戶的偏好，從而實(shí)現(xiàn)對用戶可能喜歡的物品進(jìn)行推薦。

02 人工智能的三個過程

按機(jī)器學(xué)習(xí)的思路，人工智能的實(shí)踐都可以簡單地分為三個過程：數(shù)據(jù)，學(xué)習(xí)和決策。

1. 數(shù)據(jù)

首先，機(jī)器需要感知的事物對象，就要通過數(shù)據(jù)。這個數(shù)據(jù)有可能是現(xiàn)實(shí)世界中的實(shí)際數(shù)值，如溫度，濕度，股票價格等等。也有些是數(shù)字化的文件，如圖像，語音等。

對于大多數(shù)的數(shù)據(jù)，機(jī)器并不能直接就“讀懂”他們，而需要我們用算法來從這些數(shù)據(jù)中提取特征。

比如在深度學(xué)習(xí)圖片識別領(lǐng)域，需要用多層神經(jīng)網(wǎng)絡(luò)抽取出圖像的基礎(chǔ)特征。實(shí)踐表明，高階特征可由低階特征組合而成。下圖中，最底層的正交邊經(jīng)過組合后，就可以得到臉，車，大象和椅子。反過來講，任意圖片，經(jīng)過多層神經(jīng)網(wǎng)絡(luò)特征抽取之后，都可以得到相似的基礎(chǔ)特征。所以可以簡單地認(rèn)為，基礎(chǔ)特征的不同組合形成了不同的的圖像，提取出圖像的基礎(chǔ)特征和組合參數(shù)就能識別圖像。

由于數(shù)據(jù)形式不同，推薦系統(tǒng)算法并不能像圖像識別算法那樣直接通過堆疊神經(jīng)元層級來抽取特征。推薦系統(tǒng)抽取特征的過程需要不同類別算法的輔助。如推薦系統(tǒng)需要構(gòu)建用戶畫像和物品畫像，要用算法或規(guī)則先把用戶的偏好標(biāo)簽和物品的特征標(biāo)簽都打好，計(jì)算好權(quán)重，然后再輸入模型進(jìn)行學(xué)習(xí)。

2. 學(xué)習(xí)

再者，學(xué)習(xí)則是機(jī)器通過算法，通過大量的數(shù)據(jù)不斷迭代調(diào)優(yōu)，訓(xùn)練模型的過程。

3. 決策

最后，決策就是通過訓(xùn)練好的模型進(jìn)行預(yù)測或分類等。這些都比較好理解。

4. 小結(jié)

一個推薦系統(tǒng)，會由很多個模型構(gòu)成。小到一個用戶畫像標(biāo)簽的預(yù)測模型，大到推薦的排序模型都可以拆解成數(shù)據(jù)→學(xué)習(xí)→決策的過程。這便是解決問題的思路。

因?yàn)椴煌詣e的用戶在物品偏好上有較大的不同。對于很多平臺，預(yù)測性別是個必選的工作。這是個有監(jiān)督學(xué)習(xí)問題，我們可以這樣解決：

1. 數(shù)據(jù)。首先挑選跟用戶的性別有關(guān)數(shù)據(jù)。假設(shè)挑選了頭像，昵稱，手機(jī)型號，用戶APP安裝列表和點(diǎn)擊記錄等數(shù)據(jù)。然后將用戶數(shù)據(jù)中這些字段和已知性別的數(shù)據(jù)挑選出來。
2. 學(xué)習(xí)。挑選一個模型進(jìn)行學(xué)習(xí)擬合。一般地可以選擇邏輯回歸模型，或者決策樹類的模型進(jìn)行擬合。
3. 預(yù)測。用已學(xué)好的模型對未知性別的用戶進(jìn)行預(yù)測。

03 推薦系統(tǒng)的作用

介紹完人工智能的感知，學(xué)習(xí)和決策三個過程，下面開始介紹推薦系統(tǒng)。

在互聯(lián)網(wǎng)商業(yè)平臺上，如今日頭條，快手，淘寶等，存在供給和需求雙方，雙方的代表是用戶（User）和物品（Item）。沒有推薦系統(tǒng)的時候，用戶和物品的連接方式一般有三種主要方式：

1. 物品經(jīng)小編推薦給了用戶
2. 用戶自己搜索了需要的物品
3. 物品被用戶A推薦給了用戶B

這三種連接方式滿足了大多數(shù)的需求，也一直運(yùn)行良好。不過移動互聯(lián)網(wǎng)時代，手機(jī)屏幕小，單屏可曝光內(nèi)容也少了很多。特別是在流量越來越難獲取的當(dāng)下，平臺的主動推薦單純靠運(yùn)營人員編輯，局限性就比較明顯：

1. 運(yùn)營大多推薦大眾喜歡的物品，長尾物品得不到足夠曝光。
2. 大眾商品不等于人人喜歡，存在推薦不精準(zhǔn)而導(dǎo)致的流量浪費(fèi)。
3. 推薦數(shù)目有限，內(nèi)容不能無限下拉，用戶看完即走。

為了解決以上這些問題，我們引進(jìn)了推薦系統(tǒng)。

04 推薦系統(tǒng)的工作流程

從本質(zhì)上講，推薦的過程，就是根據(jù)不同的用戶偏好，對物品進(jìn)行排序，然后擇優(yōu)推薦。

極端情況下，如果只有10個物品需要推薦，我們?yōu)槊總€用戶都針對這10個物品進(jìn)行全排序就可以了，這不需要很大的計(jì)算資源。

但是，當(dāng)被推薦物品達(dá)到上百萬個的時候，我們就不可能給每個用戶都進(jìn)行全排序了。一般來說，推薦結(jié)果要在收到用戶請求后，10毫秒左右的時間就給出，做物品全排序這么短時間是不可能達(dá)成的。所以推薦的時候，只能對部分物品進(jìn)行排序。

推薦系統(tǒng)一般做點(diǎn)擊預(yù)估較多，我們這里以點(diǎn)擊預(yù)估為例。系統(tǒng)給用戶做推薦，一般按照以下流程進(jìn)行：

如上圖所示，給用戶做出推薦響應(yīng)的過程分為三個：

• 召回：從百萬以上內(nèi)容池中快速初篩出候選集。
• 初排：根據(jù)點(diǎn)擊率預(yù)估給候選集初步排序。
• 精排：根據(jù)需要調(diào)整排序。

1. 召回

收到用戶請求后，我們需要一些快速的算法或者規(guī)則，從上百萬甚至上億的物品庫中將最有可能的物品初步篩選出來。這個篩選的過程就叫做召回（Recall），也有些互聯(lián)網(wǎng)公司將這個過程叫做匹配（Matching）。召回完成后，就可以得到幾百個推薦候選集。一個推薦系統(tǒng)一般有多個召回算法或者召回規(guī)則，這叫做多路召回。如：

• 基于用戶畫像標(biāo)簽召回。
• 基于地理位置信息召回。
• 基于物品協(xié)同過濾召回。
• 基于熱門商品召回。

2. 初排

召回過程完成后，得到的候選集就被輸入排序模型進(jìn)行排序。模型將預(yù)測每個物品被用戶點(diǎn)擊的概率，且按照點(diǎn)擊概率高到低進(jìn)行排序。

但是這個排序結(jié)果一般不是最終推薦給用戶的結(jié)果，所以這個過程叫初排。初排后，一般會產(chǎn)生幾十個推薦結(jié)果給下一步。

3. 精排

前面提到人工智能的兩種思路。但是，在第二種思路大行其道的今天，并不是第一種思路就消失殆盡了。

在推薦系統(tǒng)中，還需要策略產(chǎn)品經(jīng)理設(shè)定一些專家規(guī)則。在算法還沒有學(xué)習(xí)到某方面知識的時候，用這些規(guī)則告訴機(jī)器如何處理一些問題。精排就是需要使用規(guī)則的場景之一。

精排一般是對排序的結(jié)果進(jìn)行額外的篩查，降權(quán)或升權(quán)處理的過程。下面是一些常見的精排時處理：

• 對推薦結(jié)果的進(jìn)行調(diào)整，保持每次推薦的多樣性。如一口氣推薦了10款華為手機(jī)，而且都靠的很近，這個時候就需要將結(jié)果減少，如只要前兩個，而且打散。
• 出于商業(yè)目的，對一些物品進(jìn)行流量扶持，將推薦結(jié)果中該類物品排到前面。甚至某些物品不管有沒有被推薦，都直接插入并置頂。
• 對有違規(guī)風(fēng)險，或者已經(jīng)下架，或者該用戶不喜歡的物品進(jìn)行過濾

精排結(jié)束后，一般會產(chǎn)生8-10個結(jié)果直接推薦給用戶。這就是整個推薦的過程。

05 結(jié)語

最后，總結(jié)一下，本章有兩個重要點(diǎn)：

1. 人工智能問題實(shí)踐中，一般有三個步驟：數(shù)據(jù)，學(xué)習(xí)和決策。面對我們需要讓機(jī)器學(xué)習(xí)的問題，首先我們要找到機(jī)器需要的數(shù)據(jù)，并做好特征提取。數(shù)據(jù)準(zhǔn)備好后，再通過選擇或構(gòu)建模型讓機(jī)器學(xué)習(xí)。
2. 推薦系統(tǒng)給用戶做推薦時，會經(jīng)過三個步驟：召回，初排和精排。

 
本文由 @菠蘿的海王子 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議