|
在信息量爆炸的今天，由于范式的轉(zhuǎn)移，傳統(tǒng)的內(nèi)容和渠道已經(jīng)不再是稀缺資源；在今天，將信息和內(nèi)容更好更精準(zhǔn)得呈現(xiàn)在用戶面前，才是全方面提高效率的方式，真正的稀缺資源變成了「推」和「拉」。而在這一切的背后，推薦算法的作用都功不可沒。 推薦算法簡介 目前的推薦算法一般分為四大類： 協(xié)同過濾的推薦算法 協(xié)同過濾推薦算法應(yīng)該算是一種用的最多的推薦算法，它是通過用戶的歷史數(shù)據(jù)來構(gòu)建“用戶相似矩陣”和“產(chǎn)品相似矩陣”來對用戶進(jìn)行相關(guān)item的推薦，以達(dá)到精準(zhǔn)滿足用戶喜好的目的。比如亞馬遜等電商網(wǎng)站上的“買過XXX的人也買了XXX”就是一種協(xié)同過濾算法的應(yīng)用。 基于內(nèi)容的推薦算法 基于內(nèi)容的推薦算法，是將item的名稱、簡介等進(jìn)行分詞處理后，提取出TF-IDF值較大的詞作為特征詞，在此基礎(chǔ)上構(gòu)建item相關(guān)的特征向量，再根據(jù)余弦相似度來計算相關(guān)性，構(gòu)建相似度矩陣。 混合推薦算法 舉例來說，比如上述已經(jīng)提到了三種方式，協(xié)同過濾算法中的基于用戶和基于item的協(xié)同過濾推薦，和基于內(nèi)容的推薦算法；而混合推薦算法中是將這三種推薦結(jié)果賦予不同的權(quán)重，如：基于用戶的協(xié)同過濾的權(quán)重為40%，基于item的協(xié)同過濾的權(quán)重為30%，基于內(nèi)容的過濾技術(shù)的權(quán)重為30%，然后綜合計算得到最終的推薦結(jié)果。 流行度推薦算法 這個很基礎(chǔ)，看名字就知道了。這種方法是對item使用某種形式的流行度度量，例如最多的下載次數(shù)或購買量，然后向新用戶推薦這些受歡迎的item。就和我們平時經(jīng)?？吹降臒衢T商品、熱門推薦類似。 淺析推薦算法在實際中的應(yīng)用 了解了大概原理后，就可以來看看在實際場景中，推薦算法都是怎么使用的吧。（事先聲明，這只是看了相關(guān)東西再結(jié)合理解進(jìn)行推測的，如果有說錯的地方請見諒。） 協(xié)同過濾算法 協(xié)同過濾算法一般是怎么做的呢？我們先來看看在圖書推薦中的做法： 協(xié)同過濾（CF）大致可分為兩類：一類是基于鄰域的推薦、一類是基于模型的推薦；鄰域方法是使用用戶對已有item的喜愛程度來推測用戶對新item的喜愛程度。與之相反，基于模型的方法是使用歷史行為數(shù)據(jù)，基于學(xué)習(xí)出的預(yù)測模型，預(yù)測對新項的喜愛程度。通常的方式是使用機(jī)器學(xué)習(xí)算法，找出用戶與項的相互作用模型，從而找出數(shù)據(jù)中的特定模式。（由于基于模型的方法我也不太理解，暫時不展開說明，感興趣的可以查閱相關(guān)資料） 【基于鄰域的推薦】–即是構(gòu)建用戶相似矩陣和產(chǎn)品相似矩陣 假設(shè)用戶表現(xiàn)出了對一些圖片的喜歡情況并進(jìn)行了相應(yīng)的評分，情況如下： 不同圖書代表不同維度，評分則代表了特征向量在該維度上的投影長度，根據(jù)用戶對不同圖書的喜愛程度建立用戶的特征向量，然后根據(jù)余弦相似度可以判斷用戶之間的相似性。根據(jù)相似性可以建立用戶相似矩陣： 很顯然，通過根據(jù)用戶對歷史圖書的評分情況，可以得到用戶對其的喜愛情況，在此基礎(chǔ)上構(gòu)建出用戶特征向量，可以一定程度上判斷兩個用戶在圖書品味上的相似程度，進(jìn)而我們可以認(rèn)為，若A和B比較相似，可以認(rèn)為A喜歡的書B也喜歡。 在給A用戶進(jìn)行圖書推薦時，找到與其相似度較高的其他用戶，然后除去A用戶已看過的圖書，結(jié)合相似用戶對某本圖書的喜愛程度與該用戶與A用戶的相似度進(jìn)行加權(quán)，得到的推薦指數(shù)越高的圖書優(yōu)先進(jìn)行推薦。 這應(yīng)該也是豆瓣等圖書社區(qū)上使用的推薦算法之一，利用用戶之間的相似度來進(jìn)行推薦。當(dāng)然，電影推薦也同理。 同理，反過來我們可以按照相似的方位，以用戶為維度來構(gòu)建item的特征向量。 當(dāng)我們需要判斷兩本書是否相似時，就去看對這兩本書進(jìn)行過評價的用戶構(gòu)成是否相似，即是使用評價過一本書的用戶向量（或數(shù)組）表示這本圖書；也就是說，如果有兩本書的評價中，用戶重合度較高，即可認(rèn)為該兩本書相似度較高。其實借用的還是用戶相似的基礎(chǔ)。（《白話大數(shù)據(jù)與機(jī)器學(xué)習(xí)》中也提到過相似的推薦算法，感興趣的同學(xué)可以找來看一下）。 在音樂的推薦中同樣用到了協(xié)同過濾算法，我們眾所周知的使用個性化推薦的音樂app應(yīng)該屬「網(wǎng)易云音樂」比較典型了。 那么我們就來yy一下網(wǎng)易云音樂的推薦算法，首先用戶過去都會有聽歌的歷史，由于音樂中沒有相關(guān)的評分機(jī)制，那么可以根據(jù)用戶對音樂的行為來建立一個喜愛程度模型，例如：收藏-5分，加入歌單-4分，單曲循環(huán)-3分，分享-5分，聽一遍就刪-0分（本來想說負(fù)分滾粗的）。這樣就大概有了一個喜歡程度列表，于是接下來就可以根據(jù)用戶的聽歌情況，建立用戶的特征向量，接下來的推薦就順利成章了。 當(dāng)然，基于協(xié)同過濾算法的用戶相似度矩陣算法應(yīng)該只是網(wǎng)易云采取的一種推薦方式，接下來還會說到另外的方式。 值得注意的是，協(xié)同過濾的推薦算法雖然使用得很廣且推薦效果也較好，但還是存在一些不足之處：
基于內(nèi)容的過濾算法 簡介部分已經(jīng)提到了基于內(nèi)容的過濾算法的基本原理，這里就不再重復(fù)了，直接說一下具體大概是怎么用的吧。 基于內(nèi)容的過濾方式與協(xié)同過濾中建立用戶相似矩陣的方式類似，都是利用特征向量來進(jìn)行余弦相似度計算，從而判斷物品的相似性。 首先， 利用分詞技術(shù)對書籍的標(biāo)題和內(nèi)容進(jìn)行處理，去掉權(quán)重為0的詞（如的、得、地等）； 然后，取 TF-IDF值較大的詞作為特征詞，并將其提取出來作為標(biāo)簽； 接著， 根據(jù)特征詞建立書籍的特征向量； 最后， 計算不同書籍之間的余弦相似度，并憑次建立書籍之間的相似度矩陣； 基于內(nèi)容的協(xié)同過濾算法，最主要的初級步驟是通過分詞技術(shù)對標(biāo)題和簡介等進(jìn)行處理，形成特征標(biāo)簽。例如，對于圖書和電影而言，可以對名稱和簡介進(jìn)行特征詞提取，從而構(gòu)建特征向量；當(dāng)然，在豆瓣上發(fā)現(xiàn)可以用一種更省事的方法，就是讓用戶進(jìn)行對作品評價時需要勾選相關(guān)的標(biāo)簽，這樣只要為不同種類提供足夠多的標(biāo)簽供用戶選擇即可（當(dāng)然這是我猜的）； 而如果對于音樂的推薦呢？沒有相關(guān)簡介，歌名也不具備足夠的指向性，這種情況下則可以通過音樂本身的類別來作為標(biāo)簽進(jìn)行特征向量的構(gòu)建，例如：民謠、搖滾、懷舊等；我猜這也是網(wǎng)易云音樂采用的一種推薦方式吧。 而對于36氪之類的資訊網(wǎng)站，采用什么樣的推薦算法也能夠有一定程度的理解了吧，原理都是類似的。 基于內(nèi)容的推薦由于不需要太多的慣性數(shù)據(jù)，因此可以部分解決冷啟動問題和流行性偏差，也就是彌補(bǔ)了協(xié)同過濾算法中的部分不足，因此也可以將兩者混合起來使用，例如混合推薦算法就是采用了這樣的方式；其次，需要注意的是，如果單純使用基于內(nèi)容的過濾算法，會出現(xiàn)過度專業(yè)化問題，導(dǎo)致推薦列表里面出現(xiàn)的大多都是同一類東西，有的小伙伴可能也觀察到了類似的現(xiàn)象，比如在亞馬遜上購買哪本書（比如java相關(guān)的），會發(fā)現(xiàn)推薦的書籍里全是java相關(guān)的，就是因為出現(xiàn)了過度專業(yè)化的現(xiàn)象。 結(jié)語 推薦算法的原理其實基于數(shù)學(xué)的原理得到解決（向量、余弦相似度等），其實其他各類也同理，都是可在數(shù)學(xué)的基礎(chǔ)上得到思路和衍生，如用來進(jìn)行情感判斷的樸素貝葉斯算法，就是將人才能理解的情感問題轉(zhuǎn)化成了基本的概率問題而得到解決，包括自然語言處理（NLP）和語音識別等，由此真是可以體會到數(shù)學(xué)的博大精深。 |
|
|
