最近由于PAC平台自动化的需求，开始探坑推荐系统。这个乍1听去乐趣无穷的课题，对算法大神们来讲是这样的：

而对刚接触这个领域的我来讲，是这样的：

在深坑外围徘徊了1周后，我整理了1些推荐系统的基本概念和1些有代表性的简单的算法，作为初探总结，也希望能抛砖引玉，给一样想入坑的火伴们提供1些思路。

甚么是推荐系统？

如果你是个多年电商（剁手）党，你会说是这个：

如果你是名充满文艺细胞的音乐发热友，你会答这个：

如果你是位活跃在各大社交平台的点赞狂魔，你会答这个：

没错，猜你喜欢、个性歌单、热门微博，这些都是推荐系统的输出内容。从这些我们就能够总结出，推荐系统究竟是做甚么的。

目的1：帮助用户找到想要的商品（新闻/音乐/……），发掘长尾

帮用户找到想要的东西，谈何容易。商品茫茫多，乃至是我们自己，也常常点开淘宝，面对眼花缭乱的打折活动不知道要买啥。在经济学中，有1个著名理论叫长尾理论（The Long Tail）。

套用在互联网领域中，指的就是最热的那1小部份资源将得到绝大部份的关注，而剩下的很大1部份资源却鲜少有人问津。这不但造成了资源利用上的浪费，也让很多口味偏小众的用户没法找到自己感兴趣的内容。

目的2：下降信息过载

互联网时期信息量已然处于爆炸状态，若是将所有内容都放在网站首页上用户是无从浏览的，信息的利用率将会10分低下。因此我们需要推荐系统来帮助用户过滤掉低价值的信息。

目的3：提高站点的点击率/转化率

好的推荐系统能让用户更频繁地访问1个站点，并且总是能为用户找到他想要购买的商品或浏览的内容。

目的4：加深对用户的了解，为用户提供定制化服务

可以想见，每当系统成功推荐了1个用户感兴趣的内容后，我们对该用户的兴趣爱好等维度上的形象是愈来愈清晰的。当我们能够精确描绘出每一个用户的形象以后，就能够为他们定制1系列服务，让具有各种需求的用户都能在我们的平台上得到满足。

算法是甚么？我们可以把它简化为1个函数。函数接受若干个参数，输出1个返回值。

算法如上图，输入参数是用户和item的各种属性和特点，包括年龄、性别、地域、商品的种别、发布时间等等。经过推荐算法处理后，返回1个依照用户喜好度排序的item列表。

推荐算法大致可以分为以下几类[1]：

• 基于流行度的算法

• 协同过滤算法

• 基于内容的算法

• 基于模型的算法

• 混合算法

   

2.1 基于流行度的算法

基于流行度的算法非常简单粗鲁，类似于各大新闻、微博热榜等，根据PV、UV、日均PV或分享率等数据来按某种热度排序来推荐给用户。

这类算法的优点是简单，适用于刚注册的新用户。缺点也很明显，它没法针对用户提供个性化的推荐。基于这类算法也可做1些优化，比如加入用户分群的流行度排序，例如把热榜上的体育内容优先推荐给体育迷，把政要热文推给酷爱谈论政治的用户。

2.2 协同过滤算法

协同过滤算法(Collaborative Filtering, CF)是很经常使用的1种算法，在很多电商网站上都有用到。CF算法包括基于用户的CF(User-based CF)和基于物品的CF(Item-based CF)。

基于用户的CF原理以下：

• 分析各个用户对item的评价（通过阅读记录、购买记录等）；

• 根据用户对item的评价计算得出所有用户之间的相似度；

• 选出与当前用户最相似的N个用户；

• 将这N个用户评价最高并且当前用户又没有阅读过的item推荐给当前用户。

示意图以下：

基于物品的CF原理大同小异，只是主体在于物品：

• 分析各个用户对item的阅读记录。

• 根据阅读记录分析得出所有item之间的相似度；

• 对当前用户评价高的item，找出与之相似度最高的N个item；

• 将这N个item推荐给用户。

   

示意图以下：

举个栗子，基于用户的CF算法大致的计算流程以下：

首先我们根据网站的记录计算出1个用户与item的关联矩阵，以下：

图中，行是不同的用户，列是所有物品，(x, y)的值则是x用户对y物品的评分（喜好程度）。我们可以把每行视为1个用户对物品偏好的向量，然后计算每两个用户之间的向量距离，这里我们用余弦相似度来算：

然后得出用户向量之间相似度以下，其中值越接近1表示这两个用户越相似：

最后，我们要为用户1推荐物品，则找出与用户1相似度最高的N名用户（设N=2）评价的物品，去掉用户1评价过的物品，则是推荐结果。

基于物品的CF计算方式大致相同，只是关联矩阵变成了item和item之间的关系，若用户同时阅读过item1和item2，则(1,1)的值为1，最后计算出所有item之间的关联关系以下：

我们可以看到，CF算法确切简单，而且很多时候推荐也是很准确的。但是它也存在1些问题：

• 依赖于准确的用户评分；

• 在计算的进程中，那些大热的物品会有更大的概率被推荐给用户；

• 冷启动问题。当有1名新用户或新物品进入系统时，推荐将无从根据；

• 在1些item生存周期短（如新闻、广告）的系统中，由于更新速度快，大量item不会有用户评分，造成评分矩阵稀疏，不利于这些内容的推荐。

   

对矩阵稀疏的问题，有很多方法来改进CF算法。比如通过矩阵因子分解（如LFM），我们可以把1个nm的矩阵分解为1个nk的矩阵乘以1个k*m的矩阵，以下图：

这里的k可以是用户的特点、兴趣爱好与物品属性的1些联系，通过因子分解，可以找到用户和物品之间的1些潜伏关联，从而弥补之前矩阵中的缺失值。

2.3 基于内容的算法

CF算法看起来很好很强大，通过改进也能克服各种缺点。那末问题来了，假设我是个《指环王》的忠实读者，我买过1本《双塔奇兵》，这时候库里新进了第3部：《王者归来》，那末明显我会很感兴趣。但是基于之前的算法，不管是用户评分还是书名的检索都不太好使，因而基于内容的推荐算法呼之欲出。

举个栗子，现在系统里有1个用户和1条新闻。通过分析用户的行动和新闻的文本内容，我们提取出数个关键字，以下图：

将这些关键字作为属性，把用户和新闻分解成向量，以下图：

以后再计算向量距离，即可以得出该用户和新闻的相似度了。这类方法很简单，如果在为1名酷爱观看英超联赛的足球迷推荐新闻时，新闻里同时存在关键字体育、足球、英超，明显匹配前两个词都不如直接匹配英超来得准确，系统该如何体现出关键词的这类“重要性”呢？这时候我们即可以引入词权的概念。在大量的语料库中通过计算（比如典型的TF-IDF算法），我们可以算出新闻中每个关键词的权重，在计算相似度时引入这个权重的影响，就能够到达更精确的效果。

sim(user, item) = 文本相似度(user, item) * 词权

但是，常常接触体育新闻方面数据的同学就会要提出问题了：要是用户的兴趣是足球，而新闻的关键词是德甲、英超，依照上面的文本匹配方法明显没法将他们关联到1起。在此，我们可以援用话题聚类：

利用word2vec1类工具，可以将文本的关键词聚类，然后根据topic将文本向量化。如可以将德甲、英超、西甲聚类到“足球”的topic下，将lv、Gucci聚类到“奢侈品”topic下，再根据topic为文本内容与用户作相似度计算。

综上，基于内容的推荐算法能够很好地解决冷启动问题，并且也不会囿于热度的限制，由于它是直接基于内容匹配的，而与阅读记录无关。但是它也会存在1些弊端，比如过度专业化(over-specialisation)的问题。这类方法会1直推荐给用户内容密切关联的item，而失去了推荐内容的多样性。

2.4 基于模型的算法

基于模型的方法有很多，用到的诸如机器学习的方法也能够很深，这里只简单介绍下比较简单的方法——Logistics回归预测。我们通过分析系统中用户的行动和购买记录等数据，得到以下表：

表中的行是1种物品，x1~xn是影响用户行动的各种特点属性，如用户年龄段、性别、地域、物品的价格、种别等等，y则是用户对该物品的喜好程度，可以是购买记录、阅读、收藏等等。通过大量这类的数据，我们可以回归拟合出1个函数，计算出x1~xn对应的系数，这即是各特点属性对应的权重，权重值越大则表明该属性对用户选择商品越重要。

在拟合函数的时候我们会想到，单1的某种属性和另外一种属性可能其实不存在强关联。比如，年龄与购买护肤品这个行动其实不呈强关联，性别与购买护肤品也不强关联，但当我们把年龄与性别综合在1起斟酌时，它们便和购买行动产生了强关联。比如（我只是比如），20~30岁的女性用户更偏向于购买护肤品，这就叫交叉属性。通过反复测试和经验，我们可以调剂特点属性的组合，拟合出最准确的回归函数。最后得出的属性权重以下：

基于模型的算法由于快速、准确，适用于实时性比较高的业务如新闻、广告等，而若是需要这类算法到达更好的效果，则需要人工干预反复的进行属性的组合和挑选，也就是常说的Feature Engineering。而由于新闻的时效性，系统也需要反复更新线上的数学模型，以适应变化。

2.5 混合算法

现实利用中，其实很少有直接用某种算法来做推荐的系统。在1些大的网站如Netflix，就是融会了数10种算法的推荐系统。我们可以通过给不同算法的结果加权重来综合结果，或是在不同的计算环节中应用不同的算法来混合，到达更贴合自己业务的目的。

2.6 结果列表

在算法最后得出推荐结果以后，我们常常还需要对结果进行处理。比如当推荐的内容里包括敏感辞汇、触及用户隐私的内容等等，就需要系统将其筛除；若数次推荐后用户仍然对某个item毫无兴趣，我们就需要将这个item下降权重，调剂排序；另外，有时系统还要斟酌话题多样性的问题，一样要在不同话题中挑选内容。

当推荐算法完成后，怎样来评估这个算法的效果？CTR（点击率）、CVR（转化率）、停留时间等都是很直观的数据。在完成算法后，可以通过线下计算算法的RMSE（均方根误差）或线上进行ABTest来对照效果。

用户画像是最近常常被提及的1个名词，引入用户画像可以为推荐系统带来很多改进的余地，比如：

1. 买通公司各大业务平台，通过获得其他平台的用户数据，完全解决冷启动问题；

2. 在不同装备上同步用户数据，包括QQID、装备号、手机号等；

3. 丰富用户的人口属性，包括年龄、职业、地域等；

4. 更完善的用户兴趣状态，方便生成用户标签和匹配内容。

另外，公司的优势——社交平台也是1个很好利用的地方。利用用户的社交网络，可以很方便地通过用户的好友、兴趣群的成员等更快捷地找到相似用户和用户可能感兴趣的内容，提高推荐的准确度。

随着大数据和机器学习的火热，推荐系统也将愈发成熟，需要学习的地方还有很多，坑还有很深，希望有志的同学共勉~