圖片來自簡書APP

一、推薦引擎的工作原理：

推薦引擎的工作原理

推薦引擎的工作原理

二、推薦引擎的分類：

基于大眾行為的推薦引擎和個性化推薦引擎

根據(jù)大眾行為的推薦引擎，對每個用戶都給出同樣的推薦，這些推薦可以是靜態(tài)的由系統(tǒng)管理員人工設(shè)定的，或者基于系統(tǒng)所有用戶的反饋統(tǒng)計計算出的熱度比較高的商品

個性化推薦引擎，對不同的用戶，根據(jù)他們的口味和喜好給出更加精確的推薦，這時，系統(tǒng)需要了解需推薦內(nèi)容和用戶的特質(zhì)，或者通過找到與當(dāng)前用戶相同喜好的用戶，實現(xiàn)推薦。

大部分人們討論的推薦引擎都是個性化的推薦引擎，因為從根本上說，只有個性化的推薦引擎才是更加智能的信息發(fā)現(xiàn)過程。

三、根據(jù)推薦引擎的數(shù)據(jù)源

1、根據(jù)系統(tǒng)用戶的基本信息發(fā)現(xiàn)用戶的相關(guān)程度，這種被稱為基于人口統(tǒng)計學(xué)的推薦（Demographic-based Recommendation）

基于人口統(tǒng)計學(xué)的推薦

基于人口統(tǒng)計學(xué)的推薦

2、根據(jù)推薦物品或內(nèi)容的元數(shù)據(jù)，發(fā)現(xiàn)物品或者內(nèi)容的相關(guān)性，這種被稱為基于內(nèi)容的推薦（Content-based Recommendation）

基于內(nèi)容的推薦

基于內(nèi)容的推薦

3、根據(jù)用戶對物品或者信息的偏好，發(fā)現(xiàn)物品或者內(nèi)容本身的相關(guān)性，或者是發(fā)現(xiàn)用戶的相關(guān)性，這種被稱為基于協(xié)同過濾的推薦（Collaborative Filtering-based Recommendation）。（口口相傳的推薦方式）

三個基本步驟：

1.用戶給產(chǎn)品評分

2.協(xié)同過濾找到有相似評分（即品味）的用戶，成為鄰近者

3.產(chǎn)品不是由用戶評分，而是由用戶的鄰近著的混合評分決定（領(lǐng)袖者的評價可能權(quán)重更大）

基于用戶的協(xié)同過濾

基于用戶的協(xié)同過濾

進一步研究涉及協(xié)同推薦領(lǐng)域的可信度和能力，其基本思想是，區(qū)分推薦的生產(chǎn)者和使用者，判斷生產(chǎn)者提供的信息質(zhì)量。在這種情況下，推薦的使用者是用戶；反過來用戶的鄰近者是生產(chǎn)者，生產(chǎn)者評分的質(zhì)量可以根據(jù)生產(chǎn)者與使用者評分之間的差異來衡量。

基于物品的協(xié)同過濾

基于物品的協(xié)同過濾

四、混合的推薦機制

在現(xiàn)行的 Web 站點上的推薦往往都不是單純只采用了某一種推薦的機制和策略，他們往往是將多個方法混合在一起，從而達(dá)到更好的推薦效果。關(guān)于如何組合各個推薦機制，這里講幾種比較流行的組合方法。

加權(quán)的混合（Weighted Hybridization）: 用線性公式（linear formula）將幾種不同的推薦按照一定權(quán)重組合起來，具體權(quán)重的值需要在測試數(shù)據(jù)集上反復(fù)實驗，從而達(dá)到最好的推薦效果。

切換的混合（Switching Hybridization）：前面也講到，其實對于不同的情況（數(shù)據(jù)量，系統(tǒng)運行狀況，用戶和物品的數(shù)目等），推薦策略可能有很大的不同，那么切換的混合方式，就是允許在不同的情況下，選擇最為合適的推薦機制計算推薦。

分區(qū)的混合（Mixed Hybridization）：采用多種推薦機制，并將不同的推薦結(jié)果分不同的區(qū)顯示給用戶。其實，Amazon，當(dāng)當(dāng)網(wǎng)等很多電子商務(wù)網(wǎng)站都是采用這樣的方式，用戶可以得到很全面的推薦，也更容易找到他們想要的東西。

分層的混合（Meta-Level Hybridization）: 采用多種推薦機制，并將一個推薦機制的結(jié)果作為另一個的輸入，從而綜合各個推薦機制的優(yōu)缺點，得到更加準(zhǔn)確的推薦。

五、冷啟動的處理

1基于人口統(tǒng)計學(xué)和基于內(nèi)容的推薦，一般來說在初始就需要維護好用戶或者物品基本屬性數(shù)據(jù)。所以冷啟動問題比較容易解決

2.基于用戶的協(xié)同過濾，當(dāng)新用戶進來時，通常是根據(jù)用戶類型、屬性特征，看相同類型的用戶的喜好，然后假設(shè)當(dāng)前用戶的喜好，然后推薦

3.基于物品的協(xié)同過濾，當(dāng)新物品出現(xiàn)時，通常是根據(jù)物品的類型、屬性特征，看相同類型的物品都被哪些商戶喜歡，假設(shè)這些商戶同樣喜歡這個新物品，然后推薦。

六、評估推薦系統(tǒng)

用戶認(rèn)為與推薦系統(tǒng)的交互有用嗎？他們對收到的推薦結(jié)果滿意嗎？是什么驅(qū)使用戶貢獻(xiàn)知識？比如有助于提高系統(tǒng)預(yù)測質(zhì)量的評分或評論？或或者用戶關(guān)于接受推薦真正喜歡的是什么？是意外和新奇，還是他們知識不想繼續(xù)找下去了？

概念的有效性、可靠性和靈敏度

實驗研究涉及一般會通過控制一個或多個獨立變量。

七、個性化推薦的重點：

1.能吸引更多地用戶到商品詳情頁面（物品瀏覽轉(zhuǎn)化率）

2.有助于將更多訪問者變成購買者（銷售轉(zhuǎn)化）

3.促使單個用戶瀏覽更多物品

4.促使單個用戶購買更多物品

注意有些算法對點擊量有明顯促進作用；有些算法對銷售轉(zhuǎn)化有明顯促進作用；不同的算法促進的點不同。所以要針對推薦的目的選擇合適的算法。

八、算法

這里面并沒有特別關(guān)注算法實現(xiàn)的東西，大部分公司這些是技術(shù)需要考慮的問題。

九、整體架構(gòu)

推薦系統(tǒng)架構(gòu)設(shè)計

推薦系統(tǒng)整理架構(gòu)設(shè)計

一、特征倉庫

1.用戶維度數(shù)據(jù)：是用來描述用戶的特征數(shù)據(jù)。了解用戶，一般從用戶標(biāo)簽屬性和行為屬性兩個層面即可。

用戶標(biāo)簽屬性用來描述用戶靜態(tài)特征：性別、年齡、愛好、家庭住址等等

用戶行為數(shù)據(jù)簡單來說就是行為日志：用戶查看了什么、點擊了什么、收藏了、添加購物車了；分為顯性和隱形兩類：顯性的就是指能看出用戶的偏好比如收藏、添加購物車，而隱形的看不出用戶明顯的偏好，比如瀏覽行為，很可能只是因為這個頁面是首頁而已。

2.內(nèi)容維度數(shù)據(jù)：表示內(nèi)容的細(xì)節(jié)特征，比如內(nèi)容是商品，則商品的價格、重量、顏色、型號等都是內(nèi)容維度的數(shù)據(jù)

3.時間維度、城市維度：比如用戶在北京的行為數(shù)據(jù)、用戶在晚上12點的行為數(shù)據(jù)。分析用戶特征的時候，要考慮用戶的地點和實效。

二、計算邏輯層

計算邏輯層

用戶內(nèi)容匹配：用戶喜歡某些特征的內(nèi)容；如果有些內(nèi)容包含這些特征，則認(rèn)為用戶喜歡這些內(nèi)容

內(nèi)容匹配：利用用戶之前喜歡的內(nèi)容，找到與這些內(nèi)容相似的內(nèi)容，認(rèn)為是用戶喜歡的。

用戶匹配：根據(jù)用戶特征尋找相似的用戶，相似的用戶喜歡的東西，認(rèn)為這個用戶也喜歡。

三、針對初步結(jié)果集的分析

1.過濾：把之前的推薦歷史過濾掉，把不符合要求、質(zhì)量差的內(nèi)容過濾掉

2.排名：制定結(jié)果集的優(yōu)先級

3.選擇優(yōu)質(zhì)內(nèi)容，整理，進行推薦

十、其他：

在算法層有些東西還是可以細(xì)分

比如N中推薦策略的疊加組合權(quán)重的靈活設(shè)置（可配置）

熱銷商品懲罰系數(shù)設(shè)置（可配置）

業(yè)務(wù)突發(fā)要求，某類商品的推薦降權(quán)處理等等。

這些都不應(yīng)該寫死在算法中，應(yīng)該做成靈活可配置的，適應(yīng)各種情況下的需求。