狠狠综合久久久久综合网站,久久夜色精品国产亚洲AV动态图,国产亚洲精品A在线观看

搜索

APP

起點(diǎn)課堂會(huì)員權(quán)益

職業(yè)體系課特權(quán)

線下行業(yè)大會(huì)特權(quán)

個(gè)人IP打造特權(quán)

30+門專項(xiàng)技能課

1300+專題課程

12場(chǎng)職場(chǎng)軟技能直播

12場(chǎng)求職輔導(dǎo)直播

12場(chǎng)專業(yè)技能直播

會(huì)員專屬社群

榮耀標(biāo)識(shí)

發(fā)布

注冊(cè) | 登錄

產(chǎn)品經(jīng)理必知的推薦算法二三事

王家郴

2020-09-29

2 評(píng)論 16380 瀏覽 163 收藏

14 分鐘

編輯導(dǎo)語(yǔ)：如今在互聯(lián)網(wǎng)的大數(shù)據(jù)下，很多功能和信息是通過(guò)算法進(jìn)行推薦的，比如每個(gè)人的淘寶推薦里，可能都是一些自己感興趣的東西，這就是根據(jù)推薦算法做到的；本文作者說(shuō)明了產(chǎn)品經(jīng)理需要知道的推薦算法，我們一起來(lái)看一下。

最近在了解推薦算法相關(guān)的東西，翻了一些資料，對(duì)常見的推薦算法有了一些基本的了解，就想著和大家分享下。

先來(lái)回顧一下互聯(lián)網(wǎng)誕生到目前為止，我們尋找信息的方式變化——最早期的時(shí)候，信息是比較稀缺的，那個(gè)時(shí)候信息比較分散，尋找的效率也較低，主要是人找信息。

后來(lái)信息逐漸豐富起來(lái)了，有些人或者公司專門把各種信息聚集在一個(gè)地方，人們可以通過(guò)類目導(dǎo)航進(jìn)行查找，典型的公司是三大門戶。

再后來(lái)信息量越來(lái)越大，人工添加的類目已經(jīng)不能覆蓋所有信息了，于是誕生了另外一種信息獲取方式——搜索，典型的公司是Google、百度。

再再后來(lái)，人與信息的關(guān)系從單向的人找信息演變成了現(xiàn)在的雙向關(guān)系，人找信息，同時(shí)信息也在找人，在談到信息找人的時(shí)候，就不得不提到推薦算法了。

本文會(huì)簡(jiǎn)單的說(shuō)明熱度算法、協(xié)同過(guò)濾、基于內(nèi)容的推薦和混合方法這幾種推薦算法…

鑒于主頁(yè)君對(duì)算法的了解并不是特別多，所以只是簡(jiǎn)單的原理說(shuō)明，不涉及到實(shí)操。

一、熱度算法

說(shuō)到熱度算法有些人可能比較陌生，換個(gè)詞大家應(yīng)該就知道了，那就是排行榜。

排行榜按照我們的理解就是一個(gè)榜單，按照某種規(guī)則給出1到N的排名，我們優(yōu)先去選擇榜單上排名比較靠前的東西。

熱度算法也是類似的原理，基于某些規(guī)則計(jì)算一個(gè)熱度分，然后取TopN；此外可能還會(huì)有一些人工干預(yù)的成分，比如加精、編輯推薦等等。

熱度算法的計(jì)算公式可以簡(jiǎn)單的參考下面這個(gè)基礎(chǔ)公式：

熱度分=初始熱度分+用戶行為交互分-時(shí)間衰減分

其中初始熱度分又可以分為兩部分，一部分是基礎(chǔ)分值，一部分是加權(quán)或者降權(quán)。

基礎(chǔ)分值指的是本身計(jì)算出來(lái)的分值，以一篇文章為例，包含了作者信息、文章信息；那相關(guān)的元素就有作者等級(jí)、是否認(rèn)證、歷史發(fā)文情況、歷史文章數(shù)據(jù)表現(xiàn)情況、文章長(zhǎng)度、圖片數(shù)量、關(guān)鍵詞等。

基于上面這些相關(guān)元素，可以計(jì)算出一個(gè)基礎(chǔ)分值，然后再結(jié)合著一些加權(quán)或者降權(quán)處理就能計(jì)算出來(lái)一個(gè)初始的熱度分。

加權(quán)項(xiàng)可能有干貨類加權(quán)，新人投稿加權(quán)，運(yùn)營(yíng)干預(yù)加權(quán)等等，降權(quán)項(xiàng)可能包含XX過(guò)于熱門降權(quán)、包含XX關(guān)鍵詞降權(quán)、涉嫌抄襲降權(quán)等等。

計(jì)算出一個(gè)初始的熱度分之后，取TopN出來(lái)就可以推薦給用戶了。

用戶行為交互分指的是這個(gè)東西推薦給用戶之后的一些反饋，常見的反饋主要分為兩種，分別是正反饋和負(fù)反饋。

正反饋是常見的點(diǎn)擊、轉(zhuǎn)發(fā)、評(píng)論、收藏、贊，基于用戶的這些行為表現(xiàn)再對(duì)內(nèi)容重新進(jìn)行分值計(jì)算，這里面各個(gè)行為的權(quán)重是不同的，具體權(quán)重需要結(jié)合業(yè)務(wù)屬性進(jìn)行確定。

負(fù)反饋是用戶明確表現(xiàn)不來(lái)不喜歡推薦的行為，比如減少類似推薦，基于得到的負(fù)反饋信息，對(duì)分值進(jìn)行一些減分處理。

時(shí)間衰減指的是分值會(huì)隨著時(shí)間進(jìn)行衰減，避免舊內(nèi)容的熱度分一直很高，新內(nèi)容無(wú)法露出。一般會(huì)采用牛頓冷卻定律，說(shuō)人話就是非線性衰減。

產(chǎn)品經(jīng)理必知的推薦算法二三事

熱度算法大致就是上面說(shuō)的這樣，比較容易實(shí)現(xiàn)，適合做冷啟動(dòng)用，缺點(diǎn)是千人一面，沒(méi)辦法做個(gè)性化的分發(fā)，而且新內(nèi)容比較難露出。

二、協(xié)同過(guò)濾

協(xié)同過(guò)濾主要是通過(guò)計(jì)算人、物之間的相似性來(lái)進(jìn)行推薦，主要包含人與人、物與物和人與物之間的相似性。

常見的協(xié)同過(guò)濾算法主要有基于人的協(xié)同過(guò)濾、基于物品的協(xié)同過(guò)濾和基于模型的協(xié)同過(guò)濾。

1. 基于人的協(xié)同過(guò)濾

顧名思義就是通過(guò)計(jì)算人與人的相似度來(lái)進(jìn)行物品推薦。

比如小A喜歡物品A、物品B，小B喜歡物品C、物品D和物品E；而小A和小B之間是有一定相似度的，所以就給小A推薦小B喜歡的物品C，可參考下面的示意圖。

產(chǎn)品經(jīng)理必知的推薦算法二三事

基于人的協(xié)同過(guò)濾

這里面有兩個(gè)關(guān)鍵問(wèn)題：

要找到和小A興趣相似的用戶集；
要找到這個(gè)集合中的用戶喜歡且小A沒(méi)有聽說(shuō)過(guò)的東西。

具體實(shí)現(xiàn)的步驟是：

首先找到和小A相似的用戶；
然后找出相似用戶喜歡的物品，并且預(yù)測(cè)小A對(duì)這些物品的評(píng)分；
之后過(guò)濾掉小A已經(jīng)消費(fèi)過(guò)的物品；
最后將剩余的物品按照評(píng)分進(jìn)行排序，并返回TopN。

基于人的協(xié)同過(guò)濾的優(yōu)點(diǎn)是能幫助用戶發(fā)現(xiàn)一些比較新鮮且可能會(huì)感興趣的東西，缺點(diǎn)是隨著用戶數(shù)量的增加，計(jì)算用戶之間興趣相似度的復(fù)雜度會(huì)急劇增加，而且對(duì)于新物品或者新用戶的推薦效果可能都不太好。

2. 基于物品的協(xié)同過(guò)濾

顧名思義就是基于物品之間的相似度進(jìn)行推薦。比如小A喜歡物品A和物品B，物品A和物品C之間有著一定的相似度，那就可以給小A推薦物品C，可參考下面的示意圖：

產(chǎn)品經(jīng)理必知的推薦算法二三事

基于物品的協(xié)同過(guò)濾

這里面的關(guān)鍵問(wèn)題也是兩個(gè)：

要計(jì)算物品之間的相似度；
要基于物品的相似度和用戶的歷史行為，給用戶生成推薦列表。

具體實(shí)現(xiàn)方式是：

分析用戶的行為記錄，計(jì)算物品之間的相似度；
基于物品相似度和用戶的歷史行為生成推薦列表，和用戶歷史上感興趣的物品越相似的其他物品排序會(huì)越靠前；
最后是基于相似度矩陣的最大值進(jìn)行歸一化，提升推薦的準(zhǔn)確率。

需注意的是這里的相似度不是物品與物品之間的直接相似度，而是它們共同出現(xiàn)在多少用戶的興趣列表中。

比如喜歡物品A的用戶中，有多少用戶喜歡物品B，兩者之間的重復(fù)度越高，物品A和物品B的相似度越高。

基于人的協(xié)同過(guò)濾更多反應(yīng)的是物品在小圈子里的歡迎程度，而基于物品的協(xié)同過(guò)濾則考慮了用戶的歷史行為，相對(duì)更個(gè)性化一些；但是在物品數(shù)量較多的時(shí)候，也會(huì)面臨物品之間相似度計(jì)算起來(lái)很復(fù)雜的問(wèn)題。