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

文章為作者對推薦系統的一些理解，整理成文與大家分享，希望可以給你帶來一些啟發。

亞馬遜的“與您瀏覽過的商品相關的推薦“、天貓首頁的”猜你喜歡“、網易云音樂的”私人FM“等功能將一個詞帶入大家的視野：推薦系統。通過大家的使用及體會，更加感覺推薦系統的重要性。以下就是筆者對推薦系統的一些粗淺的理解，整理成文，供參考。

1.推薦系統為什么存在

正所謂”知其然，更需知其所以然“，在聊“推薦系統是什么”這個問題之前，我們更應該聊一下“推薦系統為什么存在”。

推薦系統解決的是人與物品（商品、信息等）間的問題，而這個問題受到物品數量和用戶意圖兩個維度影響，下面以一個吃貨的故事為例，來嘗試說明此問題。

假設有一個用戶特別喜歡吃面包，現在就從面包種類的數量、用戶對自己口味的清晰程度來說明這個問題。

• 數量少、意圖清晰

用戶知道自己喜歡的是法棍，但是周圍方圓500里就只有兩種面包買，只有菠蘿包和羊角包，沒有法棍，那么這個用戶要如何選擇？要么選擇不吃面包了，要么在菠蘿包和羊角包中間選一個。

• 數量少、意圖模糊

用戶只是想吃面包，對口感和成分沒什么要求，方圓500里還是那兩種面包，用戶去了看一看、嘗一嘗，再決定是不吃，吃菠蘿包，還是吃羊角包。

• 數量多，意圖清晰

用戶知道自己想吃的是法棍，而且方圓500里買面包的實在太多，那這個時候用戶要怎么辦哪？可以問問警察叔叔那里有法棍買，或者打的問出租車司機，或者拿出地圖或者大眾點評上搜索下再去，或者進入一家店直接問店員有沒有法棍買。

• 數量多，意圖模糊

用戶知道喜歡吃有嚼勁、全麥、無奶油的面包，而且此時方圓500里買面包的也實在太多了，那這個用戶該怎么辦哪？找一家面包店，把自己的需求告訴店員，讓店員給推薦一款面包。

以上者四種情況對應下圖的四個象限，當物品數量少時，其實用戶都可以用查看的方式解決問題，因為數量少，查看的成本很低；但是當物品數量多，查看的成本就很高，所以當意圖清晰明確時，就用搜索來直達結果；而當物品數量多，用戶意圖模糊時，就需要推薦系統了。這就是推薦系統的“所以然”，而我們現在就生活在一個物品/信息過剩的時代，一個很難判斷自己到底需要什么的時代，一個大部分時間不愿去尋找的時代。

2.推薦系統所需數據構成

在上面吃貨的例子中，如果用戶進入一家面包店，但是也不說話，也不進行任何信息的交流，那么店員怎么判斷用戶的喜好哪？所以這個時候需要交流，也就是需要“信息的輸入與輸出”，也就是店員需要掌握用戶的喜好數據，然后才能去進行推薦。

而用戶的數據可以從兩個大的維度來區分：

1. 反饋數據是正向還是負向；
2. 反饋數據是顯性還是隱性；

• 如果用戶很確定的說我喜歡吃口感松軟的面包，這個就是正向反饋；
• 如果用戶說我不喜歡吃口感松軟的，這個對口感維度來說就是負向反饋；
• 如果你問用戶是否喜歡吃口感松軟的面包，用戶斬釘截鐵的說是，這就是顯性反饋；
• 如果同樣的問題，用戶是皺眉、沉默，那么就是一個隱性反饋，而且是一個隱性負反饋；

我們再以男生追女生舉個例子，男主人公準備好鮮花美酒夜光杯，邀女主一起對影成雙對，而女主的表現哪？

• 女主開心赴約，席間眉來眼去、笑得愜意，這就是明顯在告訴男主：我同意了，你繼續，非常顯性的正向反饋；
• 如果女主接到邀約，直接微信回復；滾。這就是明顯在告訴男主：我對你沒意思，你不是我的菜，顯性的負反饋；
• 如果女主既不回絕，也不同意，反復顧左右而言他的high聊，這大概率就是隱形的正反饋，因為女主不好意思直接同意；
• 如果女主直接忽略男主這條消息，而是從新篇章開始聊天，那就是隱形的負反饋，冷處理這個問題，讓男主知難而退。

3.推薦系統的經典算法概述

數據已經準備就緒，接下來就是將數據充分利用起來，此時算法登場。在推薦系統里最經典的算法就是基于鄰域的算法，其中又可以分為兩類：基于用戶的協同過濾算法（UserCF)、基于物品的協同過濾算法（ItemCF）。

3-1 基于用戶的協同過濾算法（UserCF)

• 是否和我們相處關系越好的朋友，他們推薦的物品/內容，我們更容易接受？
• 是否和我們有共同業余愛好的同事，他們推薦的物品/內容，我們更容易接受？
• 是否在線下興趣小組認識的陌生人，他們推薦的物品/內容，我們更容易接受？

以上的例子還可以舉出很多，而這些例子中的關鍵點不是我們和這些人的關系多么親密，而是我們和這些人在某方面的“共同點”有多大相關度。和我們關系越好的朋友，在某方面興趣愛好的相關度越大（我們暫且不討論相關度與關系好的因果關系），業余愛好相同、線下小組認識的朋友本身也在傳遞：我們之間在某方面的興趣愛好相關度很大。而在某方面的興趣愛好相關度越大，那么對方給我們推薦的物品/內容被我們喜歡的概率就越大。所以此處還需要強調一點：推薦系統推薦的東西是盡可能的推薦用戶喜歡的物品/內容，盡可能的意思就是更高的概率，越趨近于1越好的狀態。

如下圖片所示，我們通過人口屬性、行為數據、物品的消費歷史等，推薦系統發現user A與user C的相似度更高，那么推薦系統就會將user A的消費集中存在，但是user C的消費集中不存在的物品推薦給user C，對user C的消費集也會做同樣的處理。

所以UserCF的關鍵點就是找到和“你”興趣愛好相關度更高的用戶群，然后將該用戶群喜歡的、但是你并不知道、沒消費過的物品/內容推薦給“你”。

3-2 基于物品的協同過濾算法（ItemCF)

UserCF是基于相關的用戶找到應該推薦的物品/內容，而ItemCF是基于用戶已經消費的物品/內容來尋找其可能喜歡的物品/內容。

• 如果我們買了一本東野圭吾的《白夜行》，商家為我們推薦一本柯南道爾的《福爾摩斯探案全集》，我們是否更容易購買？
• 如果我們買了一張陳奕迅的CD《十年》，商家為我們推薦一張陳奕迅的CD《K歌之王》，我們是否更容易購買？
• 如果我們買了一張重慶火鍋的代金券，商家推薦一張我們湘菜的代金券，我們是否更容易購買？

以上的例子也可以舉出很多，而這些例子中的關鍵點是根據用戶的當前消費行為的對象，來尋找其可能喜歡的物品/內容。而此時就需要發現物品/內容間的相關性，其相關性越高，推薦后被喜歡的可能性上就越大。

那么問題來了：如何判斷哪些物品與用戶當前消費的商品相關性高哪？通過其他用戶的歷史消費行為，當用戶中大部分用戶在購買了A商品時，也購買了B商品，那么證明A商品和B商品的相關性就高，當再有用戶購買A商品時，我們便可以推薦B商品給該用戶。

如圖所示，當user E消費物品a時，推薦系統尋找與物品a關聯消費最高的物品，由已有用戶的消費行為可見，有3/4的用戶同時消費物品a和物品b，所以推薦系統將物品b推薦給user E。

3-3 相關度

我們分別在UserCF中尋找用戶間的相關度，在ItemCF中物品/內容間的相關度，那么這個相關度是如何尋找哪？在算法上有很多種，接下來我們主要聊聊其背后的思想。

首先說下UserCF中的相關度，我們在上學的時候，經常會參加老鄉會，老鄉會就是一個根據相關度而形成的團體，相關的指標是：我們的老家在一個地方。那么當我們通過更多的指標間相關度來判斷的話，用戶間的相關度將更加的高。比如當對比兩個用戶的聽歌歷史時，發現其重合度很高，那么將一方收聽過、但是不在對方收聽歷史中的歌曲進行推薦，那么被喜歡的概率是否更高？

所以在UserCF中，相關度就是用戶人口屬性數據、歷史行為數據等的重合度。但是ItemCF中是尋找相關的物品時，物品本身沒有歷史行為，那么該如何尋找相關度哪？此時需要引入用戶，用戶會對物品產生行為，而當用戶對多個物品產生行為時，我們便可以知道物品間的相關度。比如買鋼筆用戶中，很多用戶都一起下單買了鋼筆水，那么當有用戶買鋼筆時，我們就可以推薦其鋼筆水。

3-4 數據

以上的相關度分析都需要數據支持，而數據需要進行埋點，而在埋點前有個更重要的事情需要想清楚：

• 我們的目的是什么；
• 我們需要哪些數據；
• 這些數據是否真的有必要；
• 這些數據是否可以被某個已有數據替代；
• 是否可以用更加簡單的方式來統計數據；
• 數據間如何關聯可以方便后續的清理及分析；

然后可以將用戶的點擊、瀏覽、下單、路徑、行為時長等數據盡可能全的記錄，將這些數據作為原材料喂給數據模型，等待數據模型產出結果。

4.推薦系統的級聯融合和權重融合

單兵作戰的能力畢竟有限，不是所有士兵都是《戰狼》里的冷鋒，同樣的道理，在模型中也是需要相互配合，而配合的方式有兩個大類：級聯融合、權重融合。下面通過兩個類比來解釋下兩種配合方式的原理。

級聯融合有點像凈水器，將水進行逐層的過濾凈化，然后輸出我們希望得到的干干凈凈的飲用水，而推薦系統中的級聯融合是將數據直接給到模型，而模型經過一層一層的過濾，最后反饋某個/某類用戶的推薦物品/內容列表。

權重融合有點像麻辣燙，將各種吃食加熱煮熟后，按照某種比例將他們與調味料進行混合，成為美味可口的麻辣燙，而推薦系統中的權重融合就是將數據直接給到模型，而模型中分為好多個子的模型，通過子模型算出給某個/某類用戶的推薦物品/內容的列表，而此列表包含順序因素，越靠前的內容被喜歡的可能性就越大，然后將各個子模型的列表按照某個權重進行加權，最后得到整個父模型的推薦列表，也就是該推薦系統給到用戶的推薦物品/內容列表。

以上關于推薦系統的粗淺描述，只是推薦系統的一小小部分，關于推薦系統的上下文關系、實驗方法、評價標準、冷啟動問題等，暫不做論述，有機會再另行成文。對上面所述，筆者也不敢言之鑿鑿，望大家多交流指正。謝謝。

#專欄作家#

代成龍（微信號dcl_utopia)，人人都是產品經理專欄作家，智能硬件創業公司產品狗，從視頻巨頭公司到玩智能硬件的公司，繼續產品設計工作。

本文原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自PEXELS，基于CC0協議