推荐算法有哪些?如何设计一个好的推荐系统?

前几天刚刚做了一个设计推荐系统的分享讲座,在这里我尽量清楚地把讲座内容总结、提炼成文字,方便大家理解。

常见的个性化推荐原理

基于用户基本信息推荐Demographic-based Recommendation

如:领域、职位、工作年龄、性别、所在地

这个是比较基础的推荐之一,基于用户的基本信息,可以根据他的这些信息给他推荐感兴趣的或者相关的内容。

基于物品/内容基本信息推荐Content-based Recommendation

文章的一些显性属性如:领域、主题、类型、来源

这也是一种基础的推荐,基于被推荐物的基本信息,或者说是被推荐物的显性属性。

前面这两种都比较基础,下面这一种会复杂一些。

协同推荐Collaborative Filtering

a method of making automatic predictions (filtering) about the interests of a user by collecting preferences or taste information from many users(collaborating).

需要通过用户行为来计算出用户或者物品间的相关性

- 基于用户的协同推荐

以人为本,找到和你相似的人后推荐他们看了而你没有看的内容。

这是一个用户关注内容的列表,当然是非常简化之后的。

显然在这个列表中,小张和小明关注的内容更为相似,那么就可以给小张推荐比特币。

- 基于物品的协同推荐

以物为本建立各商品之间的相似度关系矩阵,“用户看了x也会看y”。

小张和小明都不约而同地看了产品经理和Google,这可以说明产品经理和Google有相似,那么之后有看了Google相关内容的用户就可以给推荐产品经理的相关内容。

基于用户和被推荐物推荐不需要特别多的数据,比较适合应用在冷启动阶段。

而协同推荐是基于大数据的,所以我前面举的例子都是简化之后的,在实际的操作过程中用户的行为会比前面的例子复杂的多,但是道理都是相通的。

如何设计一个好的推荐系统?

UGC 、编辑、热门

- UGC: 获取更多用户行为数据,用户显性和隐形的数据

- 编辑: 处于种种目的编辑的运营

- 热门: 最火最热门的内容

新用户的冷启动

在没有大数据做基础的时候,可以有下面两种解决方案:

- 基于用户信息的推荐

- 尽快让用户表达兴趣

稀疏性

有的时候你有的总内容数量远大于用户有“打分”的内容数量,对于这种情况的解决方案:

- 用户隐形打分

- 降维。Matrix of boolean feature,投射到低维空间,再用机器学习

- 结合基于物品基本信息的推荐

多样性

- 看过什么,推荐相同类型的;

- 为你推荐你需要也比较适合你的;

- 基于你的性格、兴趣等,推荐甚至连自己没想到过却真正感兴趣的;

这部分推荐听起来感觉是玄学,但是给我们推荐的一个思路就是不要仅仅局限于某一种类型的推荐上,相同类型、需求甚至挖掘兴趣,都是可以考虑的推荐内容。

实时性

根据用户的行为, 实时的调整。好的推荐系统是在不断更新的。

如何判断一个推荐系统做得好不好?

获得反馈并一直迭代

与推荐系统的交互有用吗?他们对收到的推荐结果满意吗?

设计评测标准

1.能吸引更多的用户看内容的详情页

2.促使单个用户浏览更多内容

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,937评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,503评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,712评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,668评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,677评论 5 366
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,601评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,975评论 3 396
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,637评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,881评论 1 298
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,621评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,710评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,387评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,971评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,947评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,189评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,805评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,449评论 2 342

推荐阅读更多精彩内容