作者：hooly
微信公眾號：一口袋星光
一、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的由系統管理員人工設定的，或者基于系統所有用戶的反饋統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，根據他們的口味和喜好給出更加精確的推薦，這時，系統需要了解需推薦內容和用戶的特質，或者通過找到與當前用戶相同喜好的用戶，實現推薦。
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現過程。
三、根據推薦引擎的數據源
1、根據系統用戶的基本信息發現用戶的相關程度，這種被稱為基于人口統計學的推薦（Demographic-based Recommendation）
基于人口統計學的推薦
2、根據推薦物品或內容的元數據，發現物品或者內容的相關性，這種被稱為基于內容的推薦（Content-based Recommendation）
基于內容的推薦
3、根據用戶對物品或者信息的偏好，發現物品或者內容本身的相關性，或者是發現用戶的相關性，這種被稱為基于協同過濾的推薦（Collaborative Filtering-based Recommendation）。（口口相傳的推薦方式）
三個基本步驟：
1.用戶給產品評分
2.協同過濾找到有相似評分（即品味）的用戶，成為鄰近者
3.產品不是由用戶評分，而是由用戶的鄰近著的混合評分決定（領袖者的評價可能權重更大）
基于用戶的協同過濾
進一步研究涉及協同推薦領域的可信度和能力，其基本思想是，區分推薦的生產者和使用者，判斷生產者提供的信息質量。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者，生產者評分的質量可以根據生產者與使用者評分之間的差異來衡量。
基于物品的協同過濾
四、混合的推薦機制
在現行的 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，從而達到更好的推薦效果。關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重組合起來，具體權重的值需要在測試數據集上反復實驗，從而達到最好的推薦效果。
切換的混合（Switching Hybridization）：前面也講到，其實對于不同的情況（數據量，系統運行狀況，用戶和物品的數目等），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。
分區的混合（Mixed Hybridization）：采用多種推薦機制，并將不同的推薦結果分不同的區顯示給用戶。其實，Amazon，當當網等很多電子商務網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果作為另一個的輸入，從而綜合各個推薦機制的優缺點，得到更加準確的推薦。
五、冷啟動的處理
1基于人口統計學和基于內容的推薦，一般來說在初始就需要維護好用戶或者物品基本屬性數據。所以冷啟動問題比較容易解決
2.基于用戶的協同過濾，當新用戶進來時，通常是根據用戶類型、屬性特征，看相同類型的用戶的喜好，然后假設當前用戶的喜好，然后推薦
3.基于物品的協同過濾，當新物品出現時，通常是根據物品的類型、屬性特征，看相同類型的物品都被哪些商戶喜歡，假設這些商戶同樣喜歡這個新物品，然后推薦。
六、評估推薦系統
用戶認為與推薦系統的交互有用嗎？他們對收到的推薦結果滿意嗎？是什么驅使用戶貢獻知識？比如有助于提高系統預測質量的評分或評論？或或者用戶關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（物品瀏覽轉化率）
2.有助于將更多訪問者變成購買者（銷售轉化）
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注算法實現的東西，大部分公司這些是技術需要考慮的問題。
九、整體架構
推薦系統整理架構設計
一、特征倉庫
1.用戶維度數據：是用來描述用戶的特征數據。了解用戶，一般從用戶標簽屬性和行為屬性兩個層面即可。
用戶標簽屬性用來描述用戶靜態特征：性別、年齡、愛好、家庭住址等等
用戶行為數據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.內容維度數據：表示內容的細節特征，比如內容是商品，則商品的價格、重量、顏色、型號等都是內容維度的數據
3.時間維度、城市維度：比如用戶在北京的行為數據、用戶在晚上12點的行為數據。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
用戶內容匹配：用戶喜歡某些特征的內容；如果有些內容包含這些特征，則認為用戶喜歡這些內容
內容匹配：利用用戶之前喜歡的內容，找到與這些內容相似的內容，認為是用戶喜歡的。
用戶匹配：根據用戶特征尋找相似的用戶，相似的用戶喜歡的東西，認為這個用戶也喜歡。
三、針對初步結果集的分析
1.過濾：把之前的推薦歷史過濾掉，把不符合要求、質量差的內容過濾掉
2.排名：制定結果集的優先級
3.選擇優質內容，整理，進行推薦
十、其他：
在算法層有些東西還是可以細分
比如N中推薦策略的疊加組合權重的靈活設置（可配置）
熱銷商品懲罰系數設置（可配置）
業務突發要求，某類商品的推薦降權處理等等。
這些都不應該寫死在算法中，應該做成靈活可配置的，適應各種情況下的需求。
作者：hooly
微信公眾號：一口袋星光
我會在微信公號上持續更新我的文章，你來討論我很歡迎。
