《推荐系统实践》读书笔记(七）(推荐系统例子)

A. 

行为日志存储系统--->推荐系统--->UI--->用户

         ^-------------------日志系统------/

根据数据规模的大小，和数据的实时性要求，决定了数据存在哪里：实时性要求高的，存在Redis/数据库，实时性要求低的，存在数据库/HDFS

 

B. 介绍了一种基于内容的推荐系统

用户和物品之间，用3种东西关联上：物品，用户，特征；

用户---喜欢--->物品---相似--->物品

用户---有相似兴趣/好友--->用户---喜欢--->物品

用户---喜欢/具有--->特征---包含--->物品

用户侧特征：1. 人口统计学特征；2.用户行为（收藏过什么物品，购买过什么物品, ...）; 3.用户的话题特征（根据用户行为得到的LDA特征）

多种推荐任务：1. 只推荐新上物品；2.只推荐打了广告的物品；3.推荐不同种类的物品；3.推荐图书的同时也推荐同内容的光碟；4.首页推荐热门物品，内页推荐长尾物品；5.用户点击“李宗盛”后，给他多推荐李宗盛的歌曲；

因此，需要多种推荐策略，架构如下：

用户--->多个推荐策略--->召回粗排序-->过滤-->面向点击率的精排名--->推荐解释--->最终推荐结果

召回粗排序那里，可以根据用户的反馈（比如他点击的物品是哪个策略召回的），建立LR模型，为各个策略训练权重；

 

C.

用户特征向量，和以下因素有关：

1. 用户行为的种类：购买行为最强，点击行为最弱；

2. 用户行为的新旧：很久以前的行为要降权；

3. 用户行为的次数：对同一个物品的行为次数越多，权重越大；

4. 物品的热门程度：用户对热门物品的行为，要降权；用户对占据UI上有利位置（比如大，比如靠前）的物品的行为，要降权；

过滤模块，过滤掉哪些物品：1. 用户已经见过/点过/买过的物品；2.候选集以外的物品（本栏目只推热门，则热门是候选集；用户选择了过滤条件，则条件以内的是候选集）；3.口碑差的物品（用户打分低的物品）

排名模块：

1. 考虑物品新颖性：用户购买过物品A，则和物品A最相似的物品，比A更热门的那些，应该被降权；

2. 考虑物品多样性：a.可以每个种类推一些（槽位法）；b.同一个推荐理由，推过一次以后就要把相关物品降权； c.每次比较和前面已经决定要推的物品的相似度，有太相似的则不推该物品；

3. 时间多样性：a.用户一产生行为，就更新用户画像；b.用户啥也不干，也要下次不给推上次推过的物品（用黑名单解决，最近刚推过的物品进行降权，随时间而浮动上来）

影响Ranking的特征们：

1. 用户侧特征；2.物品侧特征；3.上下文特征；4.物品在推荐列表中的位置，用户是否点击过和该物品具有同样推荐解释的结果，用户是否点击过和该物品来自同样推荐引擎的结果；