隨著互聯(lián)網(wǎng)的發(fā)展 估計大多數(shù)的產(chǎn)品都會遇到推薦機制的策劃，作為互聯(lián)網(wǎng)產(chǎn)品人員也需要研究一下推薦機制的核心算法，這篇文章是我看到的言簡意賅講了一些基礎(chǔ)的推薦機制的文章，轉(zhuǎn)過來分享給大家。

信息發(fā)現(xiàn)

如今已經(jīng)進入了一個數(shù)據(jù)爆炸的時代，隨著 Web 2.0 的發(fā)展， Web 已經(jīng)變成數(shù)據(jù)分享的平臺，那么，如何讓人們在海量的數(shù)據(jù)中想要找到他們需要的信息將變得越來越難。

在這樣的情形下，搜索引擎（Google，Bing，百度等等）成為大家快速找到目標(biāo)信息的最好途徑。在用戶對自己需求相對明確的時候，用搜索引擎很方便的通過關(guān)鍵字搜索很快的找到自己需要的信息。但搜索引擎并不能完全滿足用戶對信息發(fā)現(xiàn)的需求，那是因為在很多情況下，用戶其實并不明確自己的需要，或者他們的需求很難用簡單的關(guān)鍵字來表述。又或者他們需要更加符合他們個人口味和喜好的結(jié)果，因此出現(xiàn)了推薦系統(tǒng)，與搜索引擎對應(yīng)，大家也習(xí)慣稱它為推薦引擎。

隨著推薦引擎的出現(xiàn)，用戶獲取信息的方式從簡單的目標(biāo)明確的數(shù)據(jù)的搜索轉(zhuǎn)換到更高級更符合人們使用習(xí)慣的信息發(fā)現(xiàn)。

如今，隨著推薦技術(shù)的不斷發(fā)展，推薦引擎已經(jīng)在電子商務(wù) （E-commerce，例如 Amazon，當(dāng)當(dāng)網(wǎng) ） 和一些基于 social 的社會化站點 （ 包括音樂，電影和圖書分享，例如豆瓣，Mtime 等 ） 都取得很大的成功。這也進一步的說明了，Web2.0 環(huán)境下，在面對海量的數(shù)據(jù)，用戶需要這種更加智能的，更加了解他們需求，口味和喜好的信息發(fā)現(xiàn)機制。

推薦引擎

前面介紹了推薦引擎對于現(xiàn)在的 Web2.0 站點的重要意義，這一章我們將講講推薦引擎到底是怎么工作的。推薦引擎利用特殊的信息過濾技術(shù)，將不同的物品或內(nèi)容推薦給可能對它們感興趣的用戶。

推薦引擎的分類

圖1給出了推薦引擎的工作原理圖，這里先將推薦引擎看作黑盒，它接受的輸入是推薦的數(shù)據(jù)源，一般情況下，推薦引擎所需要的數(shù)據(jù)源包括：

要推薦物品或內(nèi)容的元數(shù)據(jù)，例如關(guān)鍵字，基因描述等；

系統(tǒng)用戶的基本信息，例如性別，年齡等

用戶對物品或者信息的偏好，根據(jù)應(yīng)用本身的不同，可能包括用戶對物品的評分，用戶查看物品的記錄，用戶的購買記錄等。其實這些用戶的偏好信息可以分為兩類：

顯式的用戶反饋：這類是用戶在網(wǎng)站上自然瀏覽或者使用網(wǎng)站以外，顯式的提供反饋信息，例如用戶對物品的評分，或者對物品的評論。

隱式的用戶反饋：這類是用戶在使用網(wǎng)站是產(chǎn)生的數(shù)據(jù)，隱式的反應(yīng)了用戶對物品的喜好，例如用戶購買了某物品，用戶查看了某物品的信息等等。

顯式的用戶反饋能準(zhǔn)確的反應(yīng)用戶對物品的真實喜好，但需要用戶付出額外的代價，而隱式的用戶行為，通過一些分析和處理，也能反映用戶的喜好，只是數(shù)據(jù)不是很精確，有些行為的分析存在較大的噪音。但只要選擇正確的行為特征，隱式的用戶反饋也能得到很好的效果，只是行為特征的選擇可能在不同的應(yīng)用中有很大的不同，例如在電子商務(wù)的網(wǎng)站上，購買行為其實就是一個能很好表現(xiàn)用戶喜好的隱式反饋。

推薦引擎根據(jù)不同的推薦機制可能用到數(shù)據(jù)源中的一部分，然后根據(jù)這些數(shù)據(jù)，分析出一定的規(guī)則或者直接對用戶對其他物品的喜好進行預(yù)測計算。這樣推薦引擎可以在用戶進入的時候給他推薦他可能感興趣的物品。

推薦引擎

推薦引擎的分類可以根據(jù)很多指標(biāo)，下面我們一一介紹一下：

推薦引擎是不是為不同的用戶推薦不同的數(shù)據(jù)根據(jù)這個指標(biāo)，推薦引擎可以分為基于大眾行為的推薦引擎和個性化推薦引擎

根據(jù)大眾行為的推薦引擎，對每個用戶都給出同樣的推薦，這些推薦可以是靜態(tài)的由系統(tǒng)管理員人工設(shè)定的，或者基于系統(tǒng)所有用戶的反饋統(tǒng)計計算出的當(dāng)下比較流行的物品。

個性化推薦引擎，對不同的用戶，根據(jù)他們的口味和喜好給出更加精確的推薦，這時，系統(tǒng)需要了解需推薦內(nèi)容和用戶的特質(zhì)，或者基于社會化網(wǎng)絡(luò)，通過找到與當(dāng)前用戶相同喜好的用戶，實現(xiàn)推薦。

這是一個最基本的推薦引擎分類，其實大部分人們討論的推薦引擎都是將個性化的推薦引擎，因為從根本上說，只有個性化的推薦引擎才是更加智能的信息發(fā)現(xiàn)過程。

根據(jù)推薦引擎的數(shù)據(jù)源其實這里講的是如何發(fā)現(xiàn)數(shù)據(jù)的相關(guān)性，因為大部分推薦引擎的工作原理還是基于物品或者用戶的相似集進行推薦。那么參考圖 1 給出的推薦系統(tǒng)原理圖，根據(jù)不同的數(shù)據(jù)源發(fā)現(xiàn)數(shù)據(jù)相關(guān)性的方法可以分為以下幾種：

根據(jù)系統(tǒng)用戶的基本信息發(fā)現(xiàn)用戶的相關(guān)程度，這種被稱為基于人口統(tǒng)計學(xué)的推薦（Demographic-based Recommendation）

根據(jù)推薦物品或內(nèi)容的元數(shù)據(jù)，發(fā)現(xiàn)物品或者內(nèi)容的相關(guān)性，這種被稱為基于內(nèi)容的推薦（Content-based Recommendation）

根據(jù)用戶對物品或者信息的偏好，發(fā)現(xiàn)物品或者內(nèi)容本身的相關(guān)性，或者是發(fā)現(xiàn)用戶的相關(guān)性，這種被稱為基于協(xié)同過濾的推薦（Collaborative Filtering-based Recommendation）。

根據(jù)推薦模型的建立方式可以想象在海量物品和用戶的系統(tǒng)中，推薦引擎的計算量是相當(dāng)大的，要實現(xiàn)實時的推薦務(wù)必需要建立一個推薦模型，關(guān)于推薦模型的建立方式可以分為以下幾種：

基于物品和用戶本身的，這種推薦引擎將每個用戶和每個物品都當(dāng)作獨立的實體，預(yù)測每個用戶對于每個物品的喜好程度，這些信息往往是用一個二維矩陣描述的。由于用戶感興趣的物品遠遠小于總物品的數(shù)目，這樣的模型導(dǎo)致大量的數(shù)據(jù)空置，即我們得到的二維矩陣往往是一個很大的稀疏矩陣。同時為了減小計算量，我們可以對物品和用戶進行聚類， 然后記錄和計算一類用戶對一類物品的喜好程度，但這樣的模型又會在推薦的準(zhǔn)確性上有損失。

基于關(guān)聯(lián)規(guī)則的推薦（Rule-based Recommendation）：關(guān)聯(lián)規(guī)則的挖掘已經(jīng)是數(shù)據(jù)挖掘中的一個經(jīng)典的問題，主要是挖掘一些數(shù)據(jù)的依賴關(guān)系，典型的場景就是“購物籃問題”，通過關(guān)聯(lián)規(guī)則的挖掘，我們可以找到哪些物品經(jīng)常被同時購買，或者用戶購買了一些物品后通常會購買哪些其他的物品，當(dāng)我們挖掘出這些關(guān)聯(lián)規(guī)則之后，我們可以基于這些規(guī)則給用戶進行推薦。

基于模型的推薦（Model-based Recommendation）：這是一個典型的機器學(xué)習(xí)的問題，可以將已有的用戶喜好信息作為訓(xùn)練樣本，訓(xùn)練出一個預(yù)測用戶喜好的模型，這樣以后用戶在進入系統(tǒng)，可以基于此模型計算推薦。這種方法的問題在于如何將用戶實時或者近期的喜好信息反饋給訓(xùn)練好的模型，從而提高推薦的準(zhǔn)確度。

其實在現(xiàn)在的推薦系統(tǒng)中，很少有只使用了一個推薦策略的推薦引擎，一般都是在不同的場景下使用不同的推薦策略從而達到最好的推薦效果，例如 Amazon 的推薦，它將基于用戶本身歷史購買數(shù)據(jù)的推薦，和基于用戶當(dāng)前瀏覽的物品的推薦，以及基于大眾喜好的當(dāng)下比較流行的物品都在不同的區(qū)域推薦給用戶，讓用戶可以從全方位的推薦中找到自己真正感興趣的物品。

這一章的篇幅，將詳細介紹各個推薦機制的工作原理，它們的優(yōu)缺點以及應(yīng)用場景。

基于人口統(tǒng)計學(xué)的推薦

基于人口統(tǒng)計學(xué)的推薦機制（Demographic-based Recommendation）是一種最易于實現(xiàn)的推薦方法，它只是簡單的根據(jù)系統(tǒng)用戶的基本信息發(fā)現(xiàn)用戶的相關(guān)程度，然后將相似用戶喜愛的其他物品推薦給當(dāng)前用戶，圖 2 給出了這種推薦的工作原理。

標(biāo)簽： 搜索引擎 推薦引擎 推薦機制 

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。