深度解析推荐系统的算法原理

一、推荐系统介绍

一句话介绍推荐系统的作用：高效地达成用户与意向对象的匹配。

1.1 推荐系统的应用

推荐系统是建立在海量数据挖掘基础上，高效地为用户提供个性化的决策支持和信息服务，以提高用户体验及商业效益。常见的推荐应用场景如：

• 资讯类：今日头条、腾讯公众号等新闻、广告、文章等内容推荐；

• 电商类：淘宝、京东、拼多多、亚马逊等商品推荐；

• 娱乐类：抖音、快手、爱奇艺等视频推荐；

• 生活服务类：美团、大众点评、携程等吃喝玩乐推荐；

• 社交类：微信、陌陌等好友推荐；

1.2 推荐系统的目标

构建推荐系统前，首先要根据业务目标确定推荐系统的优化目标，对于不同的应用场景，推荐系统（模型学习）关注的是不同的业务指标，比如：

• 对于电商推荐，不仅要预测用户的点击率（CTR），更重要的是预测用户的转化率（CVR）；

• 对于内容推荐，业务关心的除了CTR，还有阅读/观看时长、点赞、转发、评论等指标；

由于不同的业务指标可能存在一些联系，技术实现上，大多数时候都会设计一个多目标优化的框架（如：CTR和CVR模型进行Cotrain），共同进行模型的训练与预测，各个任务之间能够更好地共享信息。

二、推荐系统的技术架构

2.1 推荐系统的层次组成

推荐系统基于海量的物品数据的挖掘，通常由 召回层→排序层（粗排、精排、重排）组成，不同的层次的组成，其实也就是信息筛选的漏斗，这也是工程上效率的需要，把意向对象的数量从粗犷到精细化的筛选过程（这过程就像是找工作的时候，HR根据简历985/211粗筛出一部分，再做技能匹配及面试精准筛选，最终敲定合适的人选）：

• 召回层：从物品库中根据多个维度筛选出潜在物品候选集（多路召回），并将候选集传递给排序环节。在召回供给池中，整个召回环节的输出量往往以万为单位。召回层主要作用是在海量的候选做粗筛，由于召回位置靠前且输入空间较大，所以时延要求较高，偏好简单方法，简单快速地确定候选集。
  
  常用方法有：召回策略（如推荐热门文章、命中某类标签的文章等等）、双塔模型（学习用户及物品的embedding，内积表示预测意向概率）、FM及CF等模型做召回、知识图谱（知识图谱表示学习，知识推理用户对物品的兴趣程度）、用户（多兴趣）行为序列预测做召回等等。