2017年8月13日

目前我正在写一系列“电商的推荐系统”相关的文章。主要包括基于物品相似度的推荐、基于用户相似度的推荐、推荐系统冷启动的问题、推荐系统的时效性问题、给用户重复推荐已购买的物品的问题等等内容。对这一方面内容感兴趣的请关注我。

一、亚马逊和淘宝的"猜你喜欢"

上一次讲到亚马逊的"购买此商品的顾客也同时购买"的功能是怎么实现的[1]。

其中值得注意的是，"购买此商品的顾客也同时购买"所推荐的商品列表，与用户过去的浏览记录、购买记录等行为是没有关系的，任何一个买家到这一商品的页面，看到的推荐列表内容都是相同的。

与此不同的是，亚马逊首页的"您最近查看的商品和相关推荐"，还有淘宝首页的"猜你喜欢"，都是跟用户的行为记录有关的推荐。这两个列表（以下都称为"猜您喜欢"）都是跟用户行为有关的，如果用户没有登录、并且有浏览记录，该怎么处理呢？这是一个产品问题啦，有兴趣的同学可以开一个隐身窗口，到亚马逊和淘宝，看一下他们的做法。

二、"猜你喜欢"的原理：基于物品的协同过滤

亚马逊已经说了，他是根据我最近查看的商品来做推荐的。根据亚马逊申请的专利[2]，以及亚马逊署名的行业报告[3]，可以看出，亚马逊的商品推荐，是基于商品和商品之间的相似度的。通俗的理解，比如顾客浏览了《智能时代》、《人工智能》这两本书，亚马逊知道，一般购买了《智能时代》的人还会购买《人工智能时代》、《新知·人工智能精华篇》，一般购买了《人工智能》这本书的人还会购买《AI是未来的电》，那么亚马逊就会推荐这三本书给我。这个道理很直觉，就像一个饱读诗书的人，有人问他推荐读什么书比较好，他可能会先了解这个人读过什么书、喜欢什么书，然后再推荐与此类似的书给他。

这里就涉及到一个"协同过滤"的概念，亚马逊做出的推荐，是基于他众多顾客的行为的，这就像是这么多的顾客同心协力，共同创造出这个推荐的列表。又因为亚马逊的推荐，主要考虑的是，你查看的商品"类似"的商品，这就是"基于商品"或者通用的说是"基于物品"（item）的推荐。于是，这种推荐方法被称为"基于物品的协同过滤"（item based collaborative filtering）。

三、问题定义与两种思路

下面我们来理一理思路，搞清楚我们到底在做什么。我们（电商平台）现在有10000名用户的购物记录，然后现在有1名新用户浏览了某10个商品，我们要根据其他用户的购物记录和这名用户浏览商品，来给他推荐新商品。怎么做呢？

我们这里可以有两个思路。

第一，我们可以从相似的人入手，我们称呼这名用户为A，我们找出和A相似的用户B，然后推荐B喜欢的商品给A。比如A看的书大量都是大数据开发相关的，我们有一个用户B读的书跟A重合度很高，我们把B喜欢的其他书也推荐给A。

第二，我们可以从相似的物入手，比如A购买了10个商品，我们寻找和A买过的商品类似的商品，然后推荐给A。比如A读了伊隆马斯克的传记《硅谷钢铁侠》，我们知道《硅谷钢铁侠》是一本关于硅谷创业者的书，那么类似的，《乔布斯传》也是关于硅谷创业者的书，所以可以把《乔布斯》传推荐给A。

前者类似于找自己的师兄师姐给我们推荐书籍，后者类似于在书店里自己喜欢的某一类书架中找书。

四、"猜你喜欢"的技术原理

根据亚马逊申请的专利[1]，以及亚马逊发布的一个行业报告[3]，亚马逊用的是基于物品的协同过滤，也就是上面说的第二种方式。为什么亚马逊要用这种方式呢？后面的文章具体比较两种协同过滤算法，现在可以直观的理解的是，基于物品的系统过滤容易给用户解释理由（"因为你浏览过xxx商品"）、冷启动容易（用户有一个购买记录就可以推荐相似商品了）。

下面要具体讲基于物品的协同过滤算法了。

算法如上图所示。举例说明，A购买了H、I两种商品。商城还有J、K、L、M、N五种商品，我们要判断用户A对JKLMN的喜好程度。

A对J的喜好程度 = （A对H的喜好程度*H与J的相似度）+ （A对I的喜好程度*I与J的相似度）。

对于KLMN都是同样的算法。然后对JKLMN进行排序，就可以推荐排序前两名的给用户A了。推荐列表就是这么生成。

这里X与Y的相似度，正是我们上一篇文章所讲的内容，有兴趣的可以把上一篇文章[1]读一下。

参考阅读：

[1] 《"购买此商品的顾客也同时购买"的原理是什么？ 》http://www.jianshu.com/p/0232150c230e

[2] 《Personalized recommendations of items represented within a database》

（亚马逊推荐系统的专利） https://www.google.com/patents/US7113917#v=onepage&q&f=false

[3] 《Amazon.com Recommendations Item to Item Colaborative Filtering》 （亚马逊推荐系统的行业报告） http://www.cs.umd.edu/~samir/498/Amazon-Recommendations.pdf

How does the Amazon recommendation system work? https://kunuk.wordpress.com/2012/03/04/how-does-the-amazon-recommendation-system-work-analyze-the-algorithm-and-make-a-prototype-that-visualizes-the-algorithm/

[4]《非常好的协同过滤文章》 http://www.cnblogs.com/wentingtu/archive/2011/12/16/2289926.html