轉(zhuǎn)移
利用上下文信息進(jìn)行推薦，利用用戶訪問推薦系統(tǒng)的時(shí)間、地點(diǎn)、心情等進(jìn)行推薦。用戶上班下班的興趣不一樣，周末和上班興趣不一樣，上廁所閱讀和在辦公室閱讀不一樣。
時(shí)間：賣衣服的系統(tǒng)冬天跟夏天推薦的衣服；地點(diǎn)：中關(guān)村附近不需要深圳的信息。
以看視頻為例，上班時(shí)間看下班后看，在家看還是在父母家看，一個(gè)人看和朋友一起看，都是上下文信息，結(jié)合上下文信息推薦會(huì)差別很大。
將上下文信息，尤其是地點(diǎn)和時(shí)間信息加到推薦算法中，讓推薦系統(tǒng)能準(zhǔn)確預(yù)測(cè)某個(gè)特定時(shí)間以及特定地點(diǎn)的興趣。
對(duì)于時(shí)間而言，對(duì)于用戶的影響表現(xiàn)在以下：
1、用戶的興趣是變化的，用戶自身的原因。隨著年齡的增長(zhǎng)，小時(shí)候動(dòng)畫片，長(zhǎng)大以后文藝片。
一個(gè)人參加工作，他的興趣也會(huì)發(fā)生變化。我們要預(yù)測(cè)用戶現(xiàn)在的興趣就要關(guān)注他最近的行為。考慮用戶最近的興趣只能是漸變的興趣，對(duì)于突變的興趣很難起作用，如中彩票。
2、物品也有生命周期。如新聞事件，當(dāng)我們決定某個(gè)時(shí)間給某個(gè)用戶推薦某個(gè)物品的時(shí)候，也許它已經(jīng)過時(shí)了。不同的物品具有不同的周期，如電影的周期長(zhǎng)于新聞的周期。
3、季節(jié)效應(yīng)，某個(gè)時(shí)段的效應(yīng)。夏天穿短袖，冬天厚外套，圣誕季購物，奧斯卡頒獎(jiǎng)期間關(guān)注電影。
用戶的興趣是不斷變化的，變化體現(xiàn)在用戶不斷增長(zhǎng)的新行為中。一個(gè)實(shí)時(shí)的推薦提供需要能響應(yīng)用戶的新行為，讓推薦列表不斷變化，滿足用戶不斷變化的新興趣。
實(shí)時(shí)推薦系統(tǒng)除了對(duì)于用戶行為的存取有實(shí)時(shí)的要求，還對(duì)推薦算法本身具有實(shí)時(shí)性要求。推薦系統(tǒng)不能每天給所有用戶離線計(jì)算推薦結(jié)果，需要根據(jù)用戶這個(gè)時(shí)間點(diǎn)的行為計(jì)算實(shí)時(shí)推薦列表。推薦算法需要平衡用戶的近期行為和長(zhǎng)期行為，既要反映出用戶近期行為所體現(xiàn)的興趣變化，又不能讓推薦列表完全受用戶近期行為影響，保證推薦列表對(duì)用戶興趣預(yù)測(cè)的連續(xù)性。
很多推薦系統(tǒng)面臨的問題是，每天給用戶推薦的結(jié)果都差不多，沒什么變化，即推薦系統(tǒng)的時(shí)間多樣性不高。推薦系統(tǒng)時(shí)間的多樣性對(duì)于推薦系統(tǒng)有正面意義。精度優(yōu)先，適當(dāng)提高時(shí)間多樣性。
如果你不知道推薦什么，推薦最近最熱門準(zhǔn)沒錯(cuò)。
近期的行為比遠(yuǎn)期的行為更能體現(xiàn)用戶的興趣，所以預(yù)測(cè)用戶行為的時(shí)候，加重近期行為的權(quán)重。
基于用戶的協(xié)同規(guī)律算法基本思想是給用戶推薦和他感興趣的用戶喜歡的物品。如果加上了時(shí)間信息，我們有優(yōu)化方向。1、如果用戶A06年喜歡C，07年java；用戶BA07年喜歡C，06年java；用戶C和A相同。那么如果沒有時(shí)間參數(shù)的情況下，用戶ABC是一樣的興趣度，實(shí)際上，我們更會(huì)認(rèn)為是不一樣的。根據(jù)用戶興趣發(fā)展路徑定義決策路徑圖。2、找到和當(dāng)前用戶興趣相似的一組用戶以后，向用戶推薦相似用戶最近喜歡的物品。
利用社交網(wǎng)絡(luò)的數(shù)據(jù)給用戶推薦物品，推薦理由加入了社交因素，如朋友也認(rèn)同，朋友關(guān)注了，信任度大大提升。
社交關(guān)系：雙向確認(rèn)的社交關(guān)系，單向關(guān)注的社交關(guān)系，社區(qū)的社交關(guān)系（通過位置、共屬一個(gè)群等，如豆瓣小組，一個(gè)公司一個(gè)學(xué)校的人）
社交化推薦的優(yōu)勢(shì)：增加推薦的信任度，用戶不相信計(jì)算機(jī)，但是相信好朋友的推薦。還可以直接解決冷啟動(dòng)的問題。
基于好友的推薦需要考量好友之間關(guān)系的權(quán)重，興趣的權(quán)重關(guān)系。
推薦系統(tǒng)數(shù)據(jù)存儲(chǔ)，根據(jù)數(shù)據(jù)規(guī)模和是否需要實(shí)時(shí)存取來決定存儲(chǔ)媒介。需要實(shí)時(shí)存取的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫和緩存中，大規(guī)模的非實(shí)時(shí)存取數(shù)據(jù)存儲(chǔ)在分布式文件系統(tǒng)中HDFS。數(shù)據(jù)能否實(shí)時(shí)存取對(duì)于推薦系統(tǒng)十分重要，因?yàn)橹挥写罅靠焖佾@取到用戶新行為，才能實(shí)時(shí)適應(yīng)用戶當(dāng)前的需求，才能實(shí)時(shí)推薦。
推薦系統(tǒng)是聯(lián)系用戶和物品的媒介。而聯(lián)系用戶和物品的方式有三種。用戶喜歡物品，物品與其他物品相似，建立用戶與后面物品的聯(lián)系；用戶有相似興趣的用戶或好友用戶，后面的用戶喜歡物品，建立用戶與物品的關(guān)系；用戶具有喜歡某些特征，某些物品具有某些特征，建立用戶與物品的關(guān)系。實(shí)際上三種方式都可以抽象成一種，基于特征的推薦系統(tǒng)架構(gòu)。
當(dāng)用戶來了，為用戶生成特征，然后根據(jù)特征找到關(guān)聯(lián)的物品，最終生成推薦列表。推薦系統(tǒng)的任務(wù)有兩個(gè)，一個(gè)是為用戶生成特征，二是根據(jù)特征找物品。
用戶特征有很多種，1、人口統(tǒng)計(jì)學(xué)特征，如年齡性別國家等注冊(cè)信息。2、行為特征，瀏覽過的物品，收藏，評(píng)分等行為。3、話題特征，根據(jù)用戶的歷史行為，計(jì)算出用戶對(duì)什么話題感興趣。
推薦系統(tǒng)的任務(wù)有很多：1、將新加入的物品推薦給用戶；2、將商業(yè)上需要宣傳的物品推薦給用戶；3、給用戶推薦不同種類的物品；4、給用戶推薦不同新穎度的物品，如首頁推薦熱門，到了推薦系統(tǒng)頁面推薦長(zhǎng)尾的物品；5考慮用戶訪問推薦系統(tǒng)的上下文。
如果要考慮上面的所有特征所有任務(wù)會(huì)使系統(tǒng)非常復(fù)雜， 很難通過配置文件方便的配置不同的特征和任務(wù)的權(quán)重。因此推薦系統(tǒng)的模式是，多個(gè)引擎，每個(gè)引擎負(fù)責(zé)一類的特征和一類的任務(wù)，然后將結(jié)果按照一定的權(quán)重或者優(yōu)先級(jí)合并，排序然后返回。
這種做法的好處還有，1、可以方便的增加刪除引擎，控制不同引擎對(duì)推薦結(jié)果的影響，對(duì)于絕大多數(shù)的需求，只需要組合不同的引擎。2、可以實(shí)現(xiàn)推薦引擎級(jí)別的用戶反饋，每個(gè)引擎實(shí)際是一種策略，而不同的用戶喜歡不同的策略。通過分析用戶對(duì)于推薦結(jié)果的反饋了解用戶比較喜歡哪些策略的推薦，從而對(duì)引擎組裝權(quán)重。
推薦引擎的架構(gòu)分為三部分：
第一部分，從數(shù)據(jù)庫或緩存中拿到用戶數(shù)據(jù)，通過不同的分析行為，輸出用戶的特征向量。
第二部分，將用戶的特征向量通過相關(guān)處理變?yōu)槌跫?jí)推薦物品列表。特征-物品相關(guān)推薦，離線表的形式（特征id，物品id，權(quán)重）
第三部分，對(duì)初始推薦列表進(jìn)行過濾，排名等處理，從而生成最終的推薦結(jié)果。
一個(gè)特征向量包括特征和特征權(quán)重。用戶的特征向量，一種是人口統(tǒng)計(jì)學(xué)特征，第二種是從用戶行為中計(jì)算出來的。用戶的行為有很多種，不同的種類權(quán)重不同。用戶行為時(shí)間也不同，相對(duì)來說，近期的行為比較重要。如果用戶對(duì)于熱門物品進(jìn)行了操作，并不能反映出個(gè)性，對(duì)于非熱門物品尤其是冷門的真實(shí)行為提高權(quán)重。
對(duì)于一個(gè)搜索引擎，可以在配置文件中配置很多的離線表以及它們的權(quán)重，在線服務(wù)時(shí)，將這些相關(guān)表按照配置的權(quán)限相加，最后將最終的相關(guān)表保存在內(nèi)存中，給用戶推薦的時(shí)候已經(jīng)是加權(quán)以后的相關(guān)表了。特征-物品相關(guān)推薦還接受一個(gè)候選物品集合，候選物品集合的目的是保證推薦結(jié)果只包含候選物品集合中的物品。它的應(yīng)用場(chǎng)景是產(chǎn)品需求希望把某些類型的電視劇推薦給用戶，如有些產(chǎn)品是要求給用戶推薦最近一周加入的新物品，那么候選物品集合中包含最近一周添加的物品。
得到初始的推薦列表以后，不能直接呈現(xiàn)給用戶，還需要進(jìn)行過濾。用戶已經(jīng)產(chǎn)生行為的物品不要，候選物品以外的物品不需要，某些質(zhì)量很差的物品不需要。
排名模塊，1新穎度排名，向用戶推薦他們不知道的，長(zhǎng)尾中的物品。2多樣性，將推薦結(jié)果按照不同的類型氛圍積累，然后選擇類中排名最高的組合成為推薦列表，或者根據(jù)推薦理由來組織。3時(shí)間多樣性，保證用戶不要每天來看推薦系統(tǒng)的時(shí)候都是同樣的推薦結(jié)果，用戶沒有新的行為推薦列表內(nèi)容也更新。
