本部分思維導(dǎo)圖：

?

? ? ? ? 推薦系統(tǒng)從搜索引擎借鑒很多技術(shù)和思想，比如內(nèi)容推薦有不少技術(shù)就來自搜索引擎， 基于用戶和基于物品的協(xié)同過濾將推薦系統(tǒng)技術(shù)從內(nèi)容延伸到協(xié)同關(guān)系，超越內(nèi)容本身，后來Netflix舉行一個比賽，以矩陣分解為代表的評分預(yù)測算法出現(xiàn)，推薦系統(tǒng)是AI的分支之一，AI落地都需要具備幾個元素：數(shù)據(jù)、算法、場景、計算力

1、概念：

推薦系統(tǒng)：

1)、能做什么：可以把那些最終會在用戶和物品之間產(chǎn)生的鏈接提前找出來

2)、需要什么：需要根據(jù)已經(jīng)存在的連接，從已有的連接去預(yù)測未來的連接

3)、它怎么做：預(yù)測用戶評分和偏好－－－》定義抽象實現(xiàn)方式分類是：機器推薦和人工推薦，也就是常說的個性化推薦和編輯推薦

總結(jié)：推薦系統(tǒng)就是用已有的連接去預(yù)測未來用戶和物品之間會出現(xiàn)的連接

注：

世界的發(fā)展趨勢是萬物傾向于建立越來越多的聯(lián)系，人是一起意義所在，根據(jù)已有的連接預(yù)測和人有關(guān)的連接

例如：一個電商平臺，用戶剛買過什么，常買什么，這些都是用戶和商品之間的連接，用這些連接去預(yù)測還會買什么，還會瀏覽什么

?

2、怎么評判公司是否需要構(gòu)建推薦系統(tǒng)？

1)、產(chǎn)品的目的：如果產(chǎn)品是建立越多連接越好，那么它最終需要一個推薦系統(tǒng)

2)、產(chǎn)品現(xiàn)有的連接：如果產(chǎn)品中物品很少，可以用人工就可以應(yīng)付過來，則不適合搭建推薦系統(tǒng)

3、推薦系統(tǒng)的問題模式

推薦系統(tǒng)是為用戶和物品建立連接，建立的方式是提前找出那些隱藏的鏈接呈現(xiàn)給用戶，這也屬于一個預(yù)測問題：

針對推薦系統(tǒng)的預(yù)測問題模式，主要分為兩大類：1)、評分預(yù)測(顯式反饋)? 2)、行為預(yù)測(隱式反饋)

1) 評分預(yù)測：

? ? ? ?例如用戶消費完一個物品會給出一個評分，或者有的網(wǎng)站是用星星的棵數(shù)表示。提前預(yù)測一個用戶對每一個物品會打多少分，找出那些可能會打高分，但是還沒消費的物品，然后推薦給用戶。

評分預(yù)測存在的問題：

? ? ? 1）數(shù)據(jù)不易收集? ?2）數(shù)據(jù)質(zhì)量不能保證? ?3）評分的分布不穩(wěn)定

2）行為預(yù)測

只要用戶瀏覽相關(guān)信息，就會有各種行為數(shù)據(jù)產(chǎn)生，從登錄、瀏覽到購買收藏，都是用戶行為，這些行為都是在用戶不知不覺下的情況下產(chǎn)生，數(shù)據(jù)量比較多。

? ? ? ?推薦系統(tǒng)目前預(yù)測行為方式主要有兩種：直接預(yù)測行為本身發(fā)生的概率、預(yù)測物品的相對排序。直接預(yù)測行為本身稱為：CTR預(yù)估(Click Through Rate).把每一個推薦給用戶的物品按照是否點擊二分類，構(gòu)建分類模型，預(yù)估其中一種分類的概率，就是ctr預(yù)估。

行為預(yù)測，就簡單的來說是利用隱式反饋數(shù)據(jù)預(yù)測隱式反饋發(fā)生的概率。

行為預(yù)測有幾個特點：

? ? ?1) 數(shù)據(jù)比顯示反饋更加稠密? ?2)隱式反饋更代表用戶的真實想法? 3)隱式反饋常常和模型的目標(biāo)函數(shù)關(guān)聯(lián)更密切

4、推薦系統(tǒng)常見問題

1）冷啟動問題

新用戶或者不活躍用戶，以及新物品或展示次數(shù)比較少的物品，這些用戶和物品，由于缺乏相關(guān)數(shù)據(jù)，這就是冷啟動問題的關(guān)注對象

2）探索和利用問題(exploration?& exploitation )

如果知道用戶喜好，一般會有三種方式應(yīng)對：1、全部推薦用戶目前肯定感興趣的物品? 2、無視用戶興趣，按照其它邏輯推薦 3、大部分推薦感興趣的，小部分去試探新的興趣。顯然第3種更科學(xué)一些

3)? 安全問題：

推薦系統(tǒng)被攻擊的影響主要有幾個方面：1、給出不準(zhǔn)確的推薦結(jié)果? 2、收集很多臟數(shù)據(jù)? 3、損失產(chǎn)品的利益

總結(jié)：從模型的角度，推薦系統(tǒng)的模型可以分成預(yù)測評分和預(yù)測行為，另一個角度可以看看推薦系統(tǒng)中存在一些潛在的問題，包括冷啟動、搜索和利用問題、安全問題。

5、推薦系統(tǒng)關(guān)鍵元素的重要性

開發(fā)推薦系統(tǒng)產(chǎn)品，幾個元素需要注意：

1）UI和UE：人機交互設(shè)計和用戶體驗設(shè)計

2）數(shù)據(jù)

3）領(lǐng)域知識

4）算法

6、建立思維模式

1）目標(biāo)思維：

對于結(jié)構(gòu)有預(yù)期，可以提前推演出來。

可以把推薦系統(tǒng)看做一個函數(shù)，輸入有很多：UI、UE、數(shù)據(jù)、領(lǐng)域知識、算法等等；輸出是我們關(guān)注的指標(biāo)：留存率、新聞的閱讀時間、電商的GMV、視頻的VV等等

2）不確定性思維：

不需要用因果邏輯地提前推理出來，而是用概率的眼光去看結(jié)果。

推薦系統(tǒng)的產(chǎn)品負責(zé)人一定要有不確定性思維，原因如下：

1）絕大多數(shù)推薦算法都是概率算法，無法保證得到確切的結(jié)果，只是概率上得到好的效果

2）推薦系統(tǒng)追求的是目標(biāo)的增長，而不是一城一池的得失

3）如果花時間為一個事件增加補丁，那么付出的成本和得到的收益將大打折扣

4）出現(xiàn)意外的推薦也是有益的，可以探索用戶的新興趣

?

總結(jié)

以上是生活随笔為你收集整理的推荐系统笔记(简单概念)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。