筆者重讀《推薦系統實踐》，總結了其中要點，也闡述了自己的一些想法，分享給大家，供大家參考學習。

筆者重讀《推薦系統實踐》，總結了其中要點，也闡述了自己的一些想法，分享給大家，供大家參考學習。

在這個信息過載的時代，個性化推薦系統是我們日常都會接觸到的，最近因為要給小伙伴分享，重新過了一下《推薦系統實踐》這本書的內容，也把其中一些要點整理分享出來。

首先來說說，為什么要有個性化推薦系統，主要是為了以下兩點：

1. 解決信息過載問題；
2. 挖掘長尾物品/信息。

推薦系統通過發掘用戶的行為，找到用戶的個性化需求，從而將長尾物品準確推薦給需要它的用戶，幫助用戶找到他們感興趣但很難發現的物品。

推薦算法評估指標

• 準確率：準確率是針對預測結果而言的，表示給用戶推薦的物品中，有多少是真正感興趣的。
• 召回率：召回率是針對推薦的結果，它表示的是用戶感興趣的物品中，有多少個是系統推薦的。
• 覆蓋率：反映了推薦算法挖掘長尾物品的能力，如果所有物品都至少推薦給了1個用戶，則覆蓋率為100%。
• 流行度：根據推薦物品的平均流行度進行度量，如果推薦物品的流行度都比較高，則物品新穎度比較低。

協同過濾算法是基于用戶行為數據設計的推薦算法，其中主要包括三類算法：「基于領域的方法」、「隱語義模型」、「基于圖的隨機游走算法」，這里主要給大家介紹一下「基于領域的方法」，分為User CF和Item CF兩種。

基于用戶的協同過濾（User Collaborative Filtering）

User CF的基礎邏輯是給用戶推薦和他興趣相似的其他用戶喜歡的物品，步驟如下：

1. 找到和目標用戶興趣相似的用戶集合；
2. 找到這個集合中的用戶喜歡的，且目標用戶沒有聽說過的物品推薦給目標用戶。

設有兩個用戶u和v，N(u)表示用戶u曾經有過正反饋的物品集合，可通過以下方式計算兩個用戶的興趣相似度：

Jaccard公式：

計算余弦相似度：

得到用戶的興趣相似度后，選擇與用戶興趣最相似的K個用戶，將他們的興趣物品（并排除目標用戶已反饋過的物品），推薦給目標用戶。

算法缺點

• 隨著網站用戶數目越來越大，計算用戶興趣相似矩陣越來越困難；
• 運算時間復雜度和空間復雜度與用戶數增長近似于平方關系。

因此，亞馬遜推出了-item CF。

基于物品的協同過濾（Item Collaborative Filtering）

User CF的基礎邏輯是給用戶推薦和他之前喜歡的物品相似的物品，步驟如下：

1. 計算物品之間的相似度；
2. 根據物品的相似度和用戶的歷史行為給用戶生成推薦列表。

通過計算喜歡物品 i 的用戶中有多少也喜歡物品 j，來計算兩個物品的相似度：

得到物品的相似度后，選擇與其最相似的K個物品集合，推薦給目標用戶。

User CF與Item CF算法的對比

推薦系統的評估維度

評估一個推薦系統的質量，需要綜合多個維度進行評估，核心維度如下：

• 用戶滿意度：用戶后續行為反饋，調研
• 預測準確度：準確度/召回率
• 覆蓋率：對物品長尾的挖掘能力，注意馬太效應的影響
• 多樣性：用戶興趣類型分布
• 新穎性：排除用戶歷史反饋物品，排除熱門物品
• 驚喜度：非用戶歷史興趣，但是滿意
• 信任度：透明度，推薦機制解釋程度
• 實時性：是否可以針對用戶行為實時進行反饋
• 健壯性：防攻擊，反作弊
• 商業目標達成情況

除了以上所述，搭建推薦系統，還需要考慮的一個重要問題就是“冷啟動”，涉及冷啟動的場景主要有以下三類：

1. 用戶冷啟動

一個新用戶，沒有任何歷史行為數據，怎么做推薦。

2. 物品冷啟動

一個新上線的物品，沒有用戶對它產生過行為，怎么推薦給感興趣的用戶。

3. 系統冷啟動

一個新開發的網站，沒有用戶數據，怎么做個性化推薦。

根據系統的場景屬性，可以設計不同的冷啟動方式：

• 提供非個性化推薦；
• 利用用戶注冊信息如年齡性別等做粗顆粒度推薦；
• 利用用戶社交關系；
• 新用戶要求對一系列物品進行反饋；
• 對應新物品，利用內容屬性推薦給相似物品感興趣用戶；
• 專家搭建多維度標簽體系。

設計一個健全的推薦系統，算法和策略需要綜合考慮多項因素，包括服務器、計算資源成本，人力成本，可持續性和可擴展性等。

高質量的推薦系統會使用戶對系統產生依賴，因此，推薦系統不僅能為用戶提供個性化服務，還能與用戶建立長期穩定的關系，提高用戶忠誠度，防止用戶流失。

希望我的梳理可以給到一些啟發和參考。

本文由 @orca 原創發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。