推荐系统介绍

一、分类

1、Content-based Filtering

最早人们使用的是基于内容的推荐方法，根据物品的属性为他们打上标签 再通过这些标签计算他们之间的相似度

2、Collaborative Filtering

协同过滤就是通过数据找到与你相似的用户，通过他们的行为和他们喜欢的内容。为你推荐你可能感兴趣的物品或内容

3、用户行为：

显性反馈数据：用户明确表示对物品的喜欢行为：评分，喜欢，收藏，购买

隐性反馈数据：不能明确反映用户喜好的行为：浏览，停留时间，点击

二、相似度

1、如何评判“相似”

User-based，两个人共同喜欢的东西越多，那么两个人就越相似 Item-based，两个物品共同喜欢的人越多，这两个物品就越相似

2、如何进行“推荐”

UserCF，和你兴趣相投的用户，推荐他们喜欢的商品

ItemCF，给用户推荐那些和他们之前喜欢的物品相似的物品 （ItemCF不利用物品的内容属性计算物品之间的相似度，主要通过分析用户的行为记录计算物品之间的相似度）

三、冷启动问题

用户冷启动：新用户来的时候，如何推荐

物品冷启动：新的物品，如何推荐

系统冷启动：新的网站上线，如何推荐

四、推荐系统的评价标准

准确度：打分系统，top N推荐

覆盖率：对物品长尾的发掘能力

多样性：推荐列表中物品两两之间的不相似性

新颖度：给用户suprise

惊喜度：推荐和用户历史兴趣不相似，却满意的

信任度：提供可靠的推荐理由 实时性：实时更新程度

CTR : 点击率（点击量/展示量）

CVR : 转化的情况，商家关注的指标（转化量/点击量）

GPM : 平均1000次展示，平均成交金额

五、推荐系统架构

推荐系统中的过程：

召回：先通过召回策略，将1000万数据 => 1000

过滤：对于内容不可重复消费的情况进行过滤，比如实时性比较强的新闻，在用户已经曝光后不再推荐给该用户 排序：对于召回的内容进行排序，将1000条内容按照顺序进行推送

混排：为避免内容越推越窄，将排序后的推荐进行一定修改，比如控制某一类型的频次

强规则：根据业务规则进行修改，比如在活动推广时将某些文章置顶