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

下鉆：從當(dāng)前數(shù)據(jù)往下展開下一層數(shù)據(jù)。 例如：（某數(shù)據(jù)的分類下面分為品名）從分類列表展開到品名列表。

上鉆、下鉆統(tǒng)稱鉆取。

切片：展現(xiàn)同一層面的數(shù)據(jù)。如上述的產(chǎn)品。

轉(zhuǎn)軸：這些應(yīng)該屬于查詢、展現(xiàn)范疇。

第二個層面：傳統(tǒng)的推薦系統(tǒng)

傳統(tǒng)的推薦系統(tǒng)，一般都是根據(jù)大量用戶的活動所產(chǎn)生的大量信息，然后所產(chǎn)生的群體偏好再加以利用，比如某寶的商品推薦，熱門視頻，看了又看，相親匹配等等。

尋找相同品味的人，然后根據(jù)最相似的他人喜好給出推薦就可以。這就是協(xié)同過濾（Collaborative Filtering，CF）的基本想法了：借鑒相關(guān)人群的觀點來進行推薦。這與KNN雖然大體一致，但實現(xiàn)下細(xì)微處差異還是很大的。

例如：傳統(tǒng)推薦系統(tǒng)基于內(nèi)容的推薦如下圖

用戶A喜歡電影a，電影a的類型屬于愛情動作；用戶B喜歡恐怖，懸疑，驚悚的B類電影b；用戶C喜歡也喜歡恐怖，懸疑，驚悚的B類電影b；根據(jù)基于內(nèi)容的推薦算法，會將電影c，愛情、動作，劇情類電影推薦給用戶A。

小結(jié)，產(chǎn)品經(jīng)理在傳統(tǒng)的推薦系統(tǒng)中要懂如下三點：

（1）基于內(nèi)容的推薦（Content Based，CB），基于用戶特征屬性和item的特征之間的匹配程度來做推薦，推薦效果強依賴于特征工程的好壞。

好處是用戶獨立性，不需要協(xié)同考慮其他用戶特征，這也意味著一個缺點就是可供我們分析的內(nèi)容有限。

再一個好處是沒與用戶互動（評分、購買、加購物車等）過的新的item也可以被推薦。最大的缺點是過度特化，推薦的items沒有創(chuàng)新性和驚喜。

（2）協(xié)同過濾（CF），利用的信息是用戶和item之間的互動信息（多用的是用戶評分矩陣），CF在評分矩陣信息較為稠密的時候表現(xiàn)好于CB，并且CF可以捕捉到一些復(fù)雜的難以表達的信息；在實際應(yīng)用中CF經(jīng)常會產(chǎn)生意外的驚喜的推薦，這一點也暗示著CF方法不適合做公共基金推薦等嚴(yán)肅的推薦任務(wù)（因為CF主要基于稀疏的、不完整的數(shù)據(jù)做推薦）；再一個CF存在冷啟動問題。

（3）混合推薦方法，CF+CB

第三個層面：AI機器學(xué)習(xí)賦能的深度推薦系統(tǒng)

我們知道AI包含機器學(xué)習(xí)和深度學(xué)習(xí)，而深度學(xué)習(xí)是機器學(xué)習(xí)的特例。

推薦系統(tǒng)與深度學(xué)習(xí)，深度推薦系統(tǒng)現(xiàn)階段的應(yīng)用主要體現(xiàn)在如下三個層面：

（1）提升表征學(xué)習(xí)能力。深度神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于其強大的表征學(xué)習(xí)能力。因此，一種最直接的應(yīng)用是，利用深度學(xué)習(xí)技術(shù)從復(fù)雜的內(nèi)容數(shù)據(jù)中學(xué)習(xí)出有效的隱因子特征表示，從而后續(xù)可以很方便地為推薦系統(tǒng)所用。

深度協(xié)同過濾。經(jīng)典的矩陣分解模型可以被描述為一種非常簡單的神經(jīng)網(wǎng)絡(luò)。我們可以通過拓展其中的結(jié)構(gòu)，引入更多的非線性單元來加強推薦模型的功能。

• 一方面，它彌補了兩個隱向量的樸素點積操作不能區(qū)分各維度之間重要性差別的弱點；
• 另一方面，它額外引入了一個多層感知機模塊，用來引入更多的非線性操作。除此之外，自動編碼機、卷積神經(jīng)網(wǎng)絡(luò)、記憶網(wǎng)絡(luò)、注意力網(wǎng)絡(luò)等深度學(xué)習(xí)相關(guān)技術(shù)也分別被應(yīng)用在改進傳統(tǒng)的協(xié)同過濾模型中。

（2）特征間的深度交互。企業(yè)的推薦系統(tǒng)為了盡量提高模型的準(zhǔn)確性，往往會使用豐富的甚至異構(gòu)的內(nèi)容數(shù)據(jù)。這些特征從不同的維度展現(xiàn)了不同的信息，而且特征間的組合通常是非常有意義的。傳統(tǒng)的交叉特征是由工程師手動設(shè)計的，這有很大的局限性，成本很高，并且不能拓展到未曾出現(xiàn)過的交叉模式中。深度神經(jīng)網(wǎng)絡(luò)去自動學(xué)習(xí)高階的特征交互模式，彌補人工特征工程帶來的種種局限性。

深度學(xué)習(xí)技術(shù)在推薦系統(tǒng)中的應(yīng)用前景很廣闊，下面來看深度推薦系統(tǒng)的實操案例：

從上圖深度推薦系統(tǒng)產(chǎn)品功能結(jié)構(gòu)可見，深度推薦包含輸入層、模型層和輸出層。

輸入層的數(shù)據(jù)主要包括：用戶顯示反饋（評分、喜歡/不喜歡）或隱式反饋數(shù)據(jù)（瀏覽、點擊等行為數(shù)據(jù)）、用戶畫像（性別、年齡、喜好等）和項目內(nèi)容（文本、圖像等描述或內(nèi)容）數(shù)據(jù)、用戶生成內(nèi)容（社會化關(guān)系、標(biāo)注、評論等輔助數(shù)據(jù)）。

模型層，使用的深度學(xué)習(xí)模型較廣泛，包括自編碼器RBM、受限玻爾茲曼機AE、卷積神經(jīng)網(wǎng)絡(luò)CNN、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN等。

在輸出層，通過利用學(xué)習(xí)到的用戶和項目隱表示，通過內(nèi)積、Softmax、相似度計算等產(chǎn)生項目的推薦列表，最后實現(xiàn)深度推薦系統(tǒng)。

小結(jié)：深度推薦系統(tǒng)未來的產(chǎn)品方向

（1）效率與可拓展性

對推薦系統(tǒng)而言，不僅需要考慮模型的準(zhǔn)確度，運行效率和可維護性也是非常重要的方面。效率指的是當(dāng)用戶發(fā)來一個請求時，推薦系統(tǒng)能夠以接近實時的速度返回結(jié)果，而不需讓用戶等待；可維護性指系統(tǒng)的部署簡便，能夠支持定期更新，或者增量式更新。

（2）多樣化數(shù)據(jù)融合

現(xiàn)實平臺中，用戶或者物品的數(shù)據(jù)往往是復(fù)雜多樣的。物品的內(nèi)容可以包括文本、圖像、類別等數(shù)據(jù)；用戶的行為數(shù)據(jù)可以來自多個領(lǐng)域，例如社交網(wǎng)絡(luò)、搜索引擎、新聞閱讀應(yīng)用等；用戶的行為反饋也可以是豐富多樣的，例如電商網(wǎng)站中，用戶的行為可能有搜索、瀏覽、點擊、收藏、購買等。

不僅如此，在這些不同的維度中，不同用戶或物品的數(shù)據(jù)分布也千差萬別；用戶在不同的行為反饋上的數(shù)據(jù)量也不同，點擊行為的數(shù)據(jù)量往往遠(yuǎn)大于購買行為的數(shù)據(jù)量。因此，需要深度融合這些復(fù)雜數(shù)據(jù)。

（3）捕捉用戶長短期偏好

用戶的偏好大致可以分為長期和短期兩類。長期偏好往往指用戶的興趣所在，例如她是五月天的歌迷，那么未來很長時間她都會對五月天的歌曲、演唱會門票感興趣。

短期偏好指的是用戶在當(dāng)前環(huán)境下的即時興趣，例如最近一周用戶比較喜歡聽抖音上的熱門歌曲，那么推薦系統(tǒng)也應(yīng)該捕捉到用戶的這個興趣，或者用戶在未來一個月有搬家的打算，那么推薦系統(tǒng)可以適當(dāng)?shù)赝扑鸵恍┌峒夜镜膹V告。目前一些流行的做法是，將循環(huán)神經(jīng)網(wǎng)絡(luò)與深度協(xié)同過濾技術(shù)結(jié)合，從而達到兼顧長短期記憶的功能。

最后

如何應(yīng)用大量的用戶和物品及內(nèi)容的匹配，做到精準(zhǔn)推薦，未來的出路或許就在深度推薦系統(tǒng)。關(guān)于深度學(xué)習(xí)的內(nèi)容期待關(guān)注筆者接下來的文章。

如果你想系統(tǒng)化入門AI產(chǎn)品經(jīng)理，掌握AI產(chǎn)品經(jīng)理的落地工作方法，戳這里>http://996.pm/7bjab

#專欄作家#

連詩路，公眾號：LineLian。人人都是產(chǎn)品經(jīng)理專欄作家，《產(chǎn)品進化論：AI+時代產(chǎn)品經(jīng)理的思維方法》一書作者，前阿里產(chǎn)品專家，希望與創(chuàng)業(yè)者多多交流。

本文原創(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