作者：hooly
微信公眾號(hào)：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(gè)性化推薦引擎
根據(jù)大眾行為的推薦引擎，對(duì)每個(gè)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(jì)計(jì)算出的熱度比較高的商品
個(gè)性化推薦引擎，對(duì)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(shí)，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(shí)現(xiàn)推薦。
大部分人們討論的推薦引擎都是個(gè)性化的推薦引擎，因?yàn)閺母旧险f，只有個(gè)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(jì)學(xué)的推薦（Demographic-based Recommendation）
基于人口統(tǒng)計(jì)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
3、根據(jù)用戶對(duì)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(gè)基本步驟：
1.用戶給產(chǎn)品評(píng)分
2.協(xié)同過濾找到有相似評(píng)分（即品味）的用戶，成為鄰近者
3.產(chǎn)品不是由用戶評(píng)分，而是由用戶的鄰近著的混合評(píng)分決定（領(lǐng)袖者的評(píng)價(jià)可能權(quán)重更大）
基于用戶的協(xié)同過濾
進(jìn)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(píng)分的質(zhì)量可以根據(jù)生產(chǎn)者與使用者評(píng)分之間的差異來衡量。
基于物品的協(xié)同過濾
四、混合的推薦機(jī)制
在現(xiàn)行的 Web 站點(diǎn)上的推薦往往都不是單純只采用了某一種推薦的機(jī)制和策略，他們往往是將多個(gè)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(gè)推薦機(jī)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(shí)驗(yàn)，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(shí)對(duì)于不同的情況（數(shù)據(jù)量，系統(tǒng)運(yùn)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(jī)制計(jì)算推薦。
分區(qū)的混合（Mixed Hybridization）：采用多種推薦機(jī)制，并將不同的推薦結(jié)果分不同的區(qū)顯示給用戶。其實(shí)，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(jī)制，并將一個(gè)推薦機(jī)制的結(jié)果作為另一個(gè)的輸入，從而綜合各個(gè)推薦機(jī)制的優(yōu)缺點(diǎn)，得到更加準(zhǔn)確的推薦。
五、冷啟動(dòng)的處理
1基于人口統(tǒng)計(jì)學(xué)和基于內(nèi)容的推薦，一般來說在初始就需要維護(hù)好用戶或者物品基本屬性數(shù)據(jù)。所以冷啟動(dòng)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(jìn)來時(shí)，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(shí)，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(gè)新物品，然后推薦。
六、評(píng)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(duì)收到的推薦結(jié)果滿意嗎？是什么驅(qū)使用戶貢獻(xiàn)知識(shí)？比如有助于提高系統(tǒng)預(yù)測質(zhì)量的評(píng)分或評(píng)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(shí)不想繼續(xù)找下去了？
概念的有效性、可靠性和靈敏度
實(shí)驗(yàn)研究涉及一般會(huì)通過控制一個(gè)或多個(gè)獨(dú)立變量。
七、個(gè)性化推薦的重點(diǎn)：
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(gè)用戶瀏覽更多物品
4.促使單個(gè)用戶購買更多物品
注意有些算法對(duì)點(diǎn)擊量有明顯促進(jìn)作用；有些算法對(duì)銷售轉(zhuǎn)化有明顯促進(jìn)作用；不同的算法促進(jìn)的點(diǎn)不同。所以要針對(duì)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(shí)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)整理架構(gòu)設(shè)計(jì)
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(gè)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(diǎn)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?yàn)檫@個(gè)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(jià)格、重量、顏色、型號(hào)等都是內(nèi)容維度的數(shù)據(jù)
3.時(shí)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(diǎn)的行為數(shù)據(jù)。分析用戶特征的時(shí)候，要考慮用戶的地點(diǎn)和實(shí)效。
二、計(jì)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(gè)用戶也喜歡。
三、針對(duì)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(jí)
3.選擇優(yōu)質(zhì)內(nèi)容，整理，進(jìn)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。
作者：hooly
微信公眾號(hào)：一口袋星光
我會(huì)在微信公號(hào)上持續(xù)更新我的文章，你來討論我很歡迎。
