个性化推荐算法设计

❶ 推荐算法简介

写在最前面：本文内容主要来自于书籍《推荐系统实践》和《推荐系统与深度学习》。

推荐系统是目前互联网世界最常见的智能产品形式。从电子商务、音乐视频网站，到作为互联网经济支柱的在线广告和新颖的在线应用推荐，到处都有推荐系统的身影。推荐算法是推荐系统的核心，其本质是通过一定的方式将用户和物品联系起来，而不同的推荐系统利用了不同的方式。

推荐系统的主要功能是以个性化的方式帮助用户从极大的搜索空间中快速找到感兴趣的对象。因此，目前所用的推荐系统多为个性化推荐系统。个性化推荐的成功应用需要两个条件：

在推荐系统的众多算法中，基于协同的推荐和基于内容的推荐在实践中得到了最广泛的应用。本文也将从这两种算法开始，结合时间、地点上下文环境以及社交环境，对常见的推荐算法做一个简单的介绍。

基于内容的算法的本质是对物品内容进行分析，从中提取特征，然后基于用户对何种特征感兴趣来推荐含有用户感兴趣特征的物品。因此，基于内容的推荐算法有两个最基本的要求：

下面我们以一个简单的电影推荐来介绍基于内容的推荐算法。

现在有两个用户A、B和他们看过的电影以及打分情况如下：

其中问好（?）表示用户未看过。用户A对《银河护卫队 》《变形金刚》《星际迷航》三部科幻电影都有评分，平均分为 4 .7 分 （ (5+4+5 ) / 3=4.7 ）；对《三生三世》《美人鱼》《北京遇上西雅图》三部爱情电影评分平均分为 2.3 分 （ ( 3十2+2 ) /3=2.3 ）。现在需要给A推荐电影，很明显A更倾向于科幻电影，因此推荐系统会给A推荐独立日。而对于用户B，通过简单的计算我们可以知道更喜欢爱情电影，因此给其推荐《三生三世》。当然，在实际推荐系统中，预测打分比这更加复杂些，但是其原理是一样的。

现在，我们可以将基于内容的推荐归纳为以下四个步骤：

通过上面四步就能快速构建一个简单的推荐系统。基于内容的推荐系统通常简单有效，可解释性好，没有物品冷启动问题。但他也有两个明显的缺点：

最后，顺便提一下特征提取方法：对于某些特征较为明确的物品，一般可以直接对其打标签，如电影类别。而对于文本类别的特征，则主要是其主题情感等，则些可以通过tf-idf或LDA等方法得到。

基于协同的算法在很多地方也叫基于邻域的算法，主要可分为两种：基于用户的协同算法和基于物品的协同算法。

啤酒和尿布的故事在数据挖掘领域十分有名，该故事讲述了美国沃尔玛超市统计发现啤酒和尿布一起被购买的次数非常多，因此将啤酒和尿布摆在了一起，最后啤酒和尿布的销量双双增加了。这便是一个典型的物品协同过滤的例子。

基于物品的协同过滤指基于物品的行为相似度（如啤酒尿布被同时购买）来进行物品推荐。该算法认为，物品A和物品B具有很大相似度是因为喜欢物品A的用户大都也喜欢物品B。

基于物品的协同过滤算法主要分为两步：

基于物品的协同过滤算法中计算物品相似度的方法有以下几种：
（1）基于共同喜欢物品的用户列表计算。

此外，John S. Breese再其论文中还提及了IUF（Inverse User Frequence，逆用户活跃度）的参数，其认为活跃用户对物品相似度的贡献应该小于不活跃的用户，应该增加IUF参数来修正物品相似度的公式：

上面的公式只是对活跃用户做了一种软性的惩罚， 但对于很多过于活跃的用户， 比如某位买了当当网80%图书的用户， 为了避免相似度矩阵过于稠密， 我们在实际计算中一般直接忽略他的兴趣列表， 而不将其纳入到相似度计算的数据集中。

（2）基于余弦相似度计算。

（3）热门物品的惩罚。
从上面（1）的相似度计算公式中，我们可以发现当物品 i 被更多人购买时，分子中的 N(i) ∩ N(j) 和分母中的 N(i) 都会增长。对于热门物品，分子 N(i) ∩ N(j) 的增长速度往往高于 N(i)，这就会使得物品 i 和很多其他的物品相似度都偏高，这就是 ItemCF 中的物品热门问题。推荐结果过于热门，会使得个性化感知下降。以歌曲相似度为例，大部分用户都会收藏《小苹果》这些热门歌曲，从而导致《小苹果》出现在很多的相似歌曲中。为了解决这个问题，我们对于物品 i 进行惩罚，例如下式， 当α∈(0, 0.5) 时，N(i) 越小，惩罚得越厉害，从而使热门物品相关性分数下降（ 博主注：这部分未充分理解 ）：

此外，Kary pis在研究中发现如果将ItemCF的相似度矩阵按最大值归一化， 可以提高推荐的准确率。 其研究表明， 如果已经得到了物品相似度矩阵w， 那么可以用如下公式得到归一化之后的相似度矩阵w'：

归一化的好处不仅仅在于增加推荐的准确度，它还可以提高推荐的覆盖率和多样性。一般来说，物品总是属于很多不同的类，每一类中的物品联系比较紧密。假设物品分为两类——A和B， A类物品之间的相似度为0.5， B类物品之间的相似度为0.6， 而A类物品和B类物品之间的相似度是0.2。 在这种情况下， 如果一个用户喜欢了5个A类物品和5个B类物品， 用ItemCF给他进行推荐， 推荐的就都是B类物品， 因为B类物品之间的相似度大。 但如果归一化之后， A类物品之间的相似度变成了1， B类物品之间的相似度也是1， 那么这种情况下， 用户如果喜欢5个A类物品和5个B类物品， 那么他的推荐列表中A类物品和B类物品的数目也应该是大致相等的。 从这个例子可以看出， 相似度的归一化可以提高推荐的多样性。

那么，对于两个不同的类，什么样的类其类内物品之间的相似度高，什么样的类其类内物品相似度低呢？一般来说，热门的类其类内物品相似度一般比较大。如果不进行归一化，就会推荐比较热门的类里面的物品，而这些物品也是比较热门的。因此，推荐的覆盖率就比较低。相反，如果进行相似度的归一化，则可以提高推荐系统的覆盖率。

最后，利用物品相似度矩阵和用户打过分的物品记录就可以对一个用户进行推荐评分：

基于用户的协同算法与基于物品的协同算法原理类似，只不过基于物品的协同是用户U购买了A物品，会计算经常有哪些物品与A一起购买（也即相似度），然后推荐给用户U这些与A相似的物品。而基于用户的协同则是先计算用户的相似性（通过计算这些用户购买过的相同的物品），然后将这些相似用户购买过的物品推荐给用户U。

基于用户的协同过滤算法主要包括两个步骤：

步骤（1）的关键是计算用户的兴趣相似度，主要是利用用户的行为相似度计算用户相似度。给定用户 u 和 v，N(u) 表示用户u曾经有过正反馈（譬如购买）的物品集合，N(v) 表示用户 v 曾经有过正反馈的物品集合。那么我们可以通过如下的 Jaccard 公式简单的计算 u 和 v 的相似度：

或通过余弦相似度：

得到用户之间的相似度之后，UserCF算法会给用户推荐和他兴趣最相似的K个用户喜欢的物品。如下的公式度量了UserCF算法中用户 u 对物品 i 的感兴趣程度：

首先回顾一下UserCF算法和ItemCF算法的推荐原理：UserCF给用户推荐那些和他有共同兴趣爱好的用户喜欢的物品， 而ItemCF给用户推荐那些和他之前喜欢的物品具有类似行为的物品。

（1）从推荐场景考虑
首先从场景来看，如果用户数量远远超过物品数量，如购物网站淘宝，那么可以考虑ItemCF，因为维护一个非常大的用户关系网是不容易的。其次，物品数据一般较为稳定，因此物品相似度矩阵不必频繁更新，维护代价较小。

UserCF的推荐结果着重于反应和用户兴趣相似的小群体的热点，而ItemCF的推荐结果着重于维系用户的历史兴趣。换句话说，UserCF的推荐更社会化，反应了用户所在小型兴趣群体中物品的热门程度，而ItemCF的推荐更加个性化，反应了用户自己的个性传承。因此UserCF更适合新闻、微博或微内容的推荐，而且新闻内容更新频率非常高，想要维护这样一个非常大而且更新频繁的表无疑是非常难的。

在新闻类网站中，用户的兴趣爱好往往比较粗粒度，很少会有用户说只看某个话题的新闻，而且往往某个话题也不是每天都会有新闻。 个性化新闻推荐更强调新闻热点，热门程度和时效性是个性化新闻推荐的重点，个性化是补充，所以 UserCF 给用户推荐和他有相同兴趣爱好的人关注的新闻，这样在保证了热点和时效性的同时，兼顾了个性化。

（2）从系统多样性（也称覆盖率，指一个推荐系统能否给用户提供多种选择）方面来看，ItemCF的多样性要远远好于UserCF，因为UserCF更倾向于推荐热门物品。而ItemCF具有较好的新颖性，能够发现长尾物品。所以大多数情况下，ItemCF在精度上较小于UserCF，但其在覆盖率和新颖性上面却比UserCF要好很多。

在介绍本节基于矩阵分解的隐语义模型之前，让我们先来回顾一下传统的矩阵分解方法SVD在推荐系统的应用吧。

基于SVD矩阵分解在推荐中的应用可分为如下几步：

SVD在计算前会先把评分矩阵 A 缺失值补全，补全之后稀疏矩阵 A 表示成稠密矩阵，然后将分解成 A' = U∑V T 。但是这种方法有两个缺点：（1）补成稠密矩阵后需要耗费巨大的储存空间，对这样巨大的稠密矩阵进行储存是不现实的；（2）SVD的计算复杂度很高，对这样大的稠密矩阵中进行计算式不现实的。因此，隐语义模型就被发明了出来。

更详细的SVD在推荐系统的应用可参考 奇异值分解SVD简介及其在推荐系统中的简单应用 。

隐语义模型（Latent Factor Model）最早在文本挖掘领域被提出，用于找到文本的隐含语义。相关的算法有LSI，pLSA，LDA和Topic Model。本节将对隐语义模型在Top-N推荐中的应用进行详细介绍，并通过实际的数据评测该模型。

隐语义模型的核心思想是通过隐含特征联系用户兴趣和物品。让我们通过一个例子来理解一下这个模型。

现有两个用户，用户A的兴趣涉及侦探小说、科普图书以及一些计算机技术书，而用户B的兴趣比较集中在数学和机器学习方面。那么如何给A和B推荐图书呢？

我们可以对书和物品的兴趣进行分类。对于某个用户，首先得到他的兴趣分类，然后从分类中挑选他可能喜欢的物品。简言之，这个基于兴趣分类的方法大概需要解决3个问题：

对于第一个问题的简单解决方案是找相关专业人员给物品分类。以图书为例，每本书出版时，编辑都会给出一个分类。但是，即使有很系统的分类体系，编辑给出的分类仍然具有以下缺点：（1）编辑的意见不能代表各种用户的意见；（2）编辑很难控制分类的细粒度；（3）编辑很难给一个物品多个分类；（4）编辑很难给一个物品多个分类；（5）编辑很难给出多个维度的分类；（6）编辑很难决定一个物品在某一个类别中的权重。

为了解决上述问题，研究员提出可以从数据出发，自动找到那些分类，然后进行个性化推荐。隐语义模型由于采用基于用户行为统计的自动聚类，较好地解决了上面提出的5个问题。

LFM将矩阵分解成2个而不是3个：

推荐系统中用户和物品的交互数据分为显性反馈和隐性反馈数据。隐式模型中多了一个置信参数，具体涉及到ALS（交替最小二乘法，Alternating Least Squares）中对于隐式反馈模型的处理方式——有的文章称为“加权的正则化矩阵分解”：

一个小细节：在隐性反馈数据集中，只有正样本（正反馈）没有负反馈（负样本），因此如何给用户生成负样本来进行训练是一个重要的问题。Rong Pan在其文章中对此进行了探讨，对比了如下几种方法：

用户行为很容易用二分图表示，因此很多图算法都可以应用到推荐系统中。基于图的模型（graph-based model）是推荐系统中的重要内容。很多研究人员把基于领域的模型也称为基于图的模型，因为可以把基于领域的模型看作基于图的模型的简单形式。

在研究基于图的模型之前，需要将用户行为数据表示成图的形式。本节的数据是由一系列用户物品二元组 (u, i) 组成的，其中 u 表示用户对物品 i 产生过行为。

令 G(V, E) 表示用户物品二分图，其中 V=V U UV I 由用户顶点 V U 和物品节点 V I 组成。对于数据集中每一个二元组 (u, i) ，图中都有一套对应的边 e(v u , v i )，其中 v u ∈V U 是用户对应的顶点，v i ∈V I 是物品i对应的顶点。如下图是一个简单的物品二分图，其中圆形节点代表用户，方形节点代表物品，用户物品的直接连线代表用户对物品产生过行为。比如下图中的用户A对物品a、b、d产生过行为。

度量图中两个顶点之间相关性的方法很多，但一般来说图中顶点的相关性主要取决于下面3个因素：

而相关性高的一对顶点一般具有如下特征：

举个例子，如下图，用户A和物品c、e没有边直连，但A可通过一条长度为3的路径到达c，而Ae之间有两条长度为3的路径。那么A和e的相关性要高于顶点A和c，因而物品e在用户A的推荐列表中应该排在物品c之前，因为Ae之间有两条路径。其中，（A,b,C,e）路径经过的顶点的出度为（3，2，2，2），而 (A,d,D,e) 路径经过了一个出度比较大的顶点D，所以 (A,d,D,e) 对顶点A与e之间相关性的贡献要小于（A,b,C,e）。

基于上面3个主要因素，研究人员设计了很多计算图中顶点相关性的方法，本节将介绍一种基于随机游走的PersonalRank算法。

假设要给用户u进行个性化推荐，可以从用户u对应的节点 v u 开始在用户物品二分图上进行随机游走。游走到任一节点时，首先按照概率α决定是继续游走还是停止这次游走并从 v u 节点重新开始游走。若决定继续游走，则从当前节点指向的节点中按照均匀分布随机选择一个节点作为游走下次经过的节点。这样，经过很多次随机游走后，每个物品被访问到的概率会收敛到一个数。最终的推荐列表中物品的权重就是物品节点的访问概率。

上述算法可以表示成下面的公式：

虽然通过随机游走可以很好地在理论上解释PersonalRank算法，但是该算法在时间复杂度上有明显的缺点。因为在为每个用户进行推荐时，都需要在整个用户物品二分图上进行迭代，知道所有顶点的PR值都收敛。这一过程的时间复杂度非常高，不仅无法在线进行实时推荐，离线计算也是非常耗时的。

有两种方法可以解决上面PersonalRank时间复杂度高的问题：
（1）减少迭代次数，在收敛之前停止迭代。但是这样会影响最终的精度。

（2）从矩阵论出发，重新涉及算法。另M为用户物品二分图的转移概率矩阵，即：

网络社交是当今社会非常重要甚至可以说是必不可少的社交方式，用户在互联网上的时间有相当大的一部分都用在了社交网络上。

当前国外最着名的社交网站是Facebook和Twitter，国内的代表则是微信/QQ和微博。这些社交网站可以分为两类：

需要指出的是，任何一个社交网站都不是单纯的社交图谱或兴趣图谱。如QQ上有些兴趣爱好群可以认识不同的陌生人，而微博中的好友也可以是现实中认识的。

社交网络定义了用户之间的联系，因此可以用图定义社交网络。我们用图 G(V,E,w) 定义一个社交网络，其中V是顶点集合，每个顶点代表一个用户，E是边集合，如果用户va和vb有社交网络关系，那么就有一条边 e(v a , v b ) 连接这两个用户，而 w(v a , v b )定义了边的权重。一般来说，有三种不同的社交网络数据：

和一般购物网站中的用户活跃度分布和物品流行度分布类似，社交网络中用户的入度（in degree，表示有多少人关注）和出度（out degree，表示关注多少人）的分布也是满足长尾分布的。即大部分人关注的人都很少，被关注很多的人也很少。

给定一个社交网络和一份用户行为数据集。其中社交网络定义了用户之间的好友关系，而用户行为数据集定义了不同用户的历史行为和兴趣数据。那么最简单的算法就是给用户推荐好友喜欢的物品集合。即用户u对物品i的兴趣 p ui 可以通过如下公式计算。

用户u和用户v的熟悉程度描述了用户u和用户在现实社会中的熟悉程度。一般来说，用户更加相信自己熟悉的好友的推荐，因此我们需要考虑用户之间的熟悉度。下面介绍3中衡量用户熟悉程度的方法。

（1）对于用户u和用户v，可以使用共同好友比例来计算他们的相似度：

上式中 out(u) 可以理解为用户u关注的用户合集，因此 out(u) ∩ out(v) 定义了用户u、v共同关注的用户集合。

（2）使用被关注的用户数量来计算用户之间的相似度，只要将公式中的 out(u) 修改为 in(u)：

in(u) 是指关注用户u的集合。在无向社交网络中，in(u)和out(u)是相同的，而在微博这种有向社交网络中，这两个集合的含义就不痛了。一般来说，本方法适合用来计算微博大V之间的相似度，因为大v往往被关注的人数比较多；而方法（1）适用于计算普通用户之间的相似度，因为普通用户往往关注行为比较丰富。

（3）除此之外，还可以定义第三种有向的相似度：这个相似度的含义是用户u关注的用户中，有多大比例也关注了用户v：

这个相似度有一个缺点，就是在该相似度下所有人都和大v有很大的相似度，这是因为公式中的分母并没有考虑 in(v) 的大小，所以可以把 in(v) 加入到上面公式的分母，来降低大v与其他用户的相似度：

上面介绍了3种计算用户之间相似度（或称熟悉度）的计算方法。除了熟悉程度，还需要考虑用户之间的兴趣相似度。我们和父母很熟悉，但很多时候我们和父母的兴趣确不相似，因此也不会喜欢他们喜欢的物品。因此，在度量用户相似度时，还需要考虑兴趣相似度，而兴趣相似度可以通过和UserCF类似的方法度量，即如果两个用户喜欢的物品集合重合度很高，两个用户的兴趣相似度很高。

最后，我们可以通过加权的形式将两种权重合并起来，便得到了各个好有用户的权重了。

有了权重，我们便可以针对用户u挑选k个最相似的用户，把他们购买过的物品中，u未购买过的物品推荐给用户u即可。打分公式如下：

其中 w' 是合并后的权重，score是用户v对物品的打分。

node2vec的整体思路分为两个步骤：第一个步骤是随机游走（random walk），即通过一定规则随机抽取一些点的序列；第二个步骤是将点的序列输入至word2vec模型从而得到每个点的embedding向量。

随机游走在前面基于图的模型中已经介绍过，其主要分为两步：（1）选择起始节点；（2）选择下一节点。起始节点选择有两种方法：按一定规则抽取一定量的节点或者以图中所有节点作为起始节点。一般来说会选择后一种方法以保证所有节点都会被选取到。

在选择下一节点方法上，最简单的是按边的权重来选择，但在实际应用中需要通过广度优先还是深度优先的方法来控制游走范围。一般来说，深度优先发现能力更强，广度优先更能使社区内（较相似）的节点出现在一个路径里。

斯坦福大学Jure Leskovec教授给出了一种可以控制广度优先或者深度优先的方法。

以上图为例，假设第一步是从t随机游走到v，这时候我们要确定下一步的邻接节点。本例中，作者定义了p和q两个参数变量来调节游走，首先计算其邻居节点与上一节点t的距离d，根据下面的公式得到α：

一般从每个节点开始游走5~10次，步长则根据点的数量N游走根号N步。如此便可通过random walk生成点的序列样本。

得到序列之后，便可以通过word2vec的方式训练得到各个用户的特征向量，通过余弦相似度便可以计算各个用户的相似度了。有了相似度，便可以使用基于用户的推荐算法了。

推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣，因此大量的用户行为数据就成为推荐系统的重要组成部分和先决条件。如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统，就是冷启动问题。

冷启动问题主要分为三类：

针对用户冷启动，下面给出一些简要的方案：
（1）有效利用账户信息。利用用户注册时提供的年龄、性别等数据做粗粒度的个性化；
（2）利用用户的社交网络账号登录（需要用户授权），导入用户在社交网站上的好友信息，然后给用户推荐其好友喜欢的物品；
（3）要求用户在登录时对一些物品进行反馈，手机用户对这些物品的兴趣信息，然后给用推荐那些和这些物品相似的物品；
（4）提供非个性化推荐。非个性化推荐的最简单例子就是热门排行榜，我们可以给用户推荐热门排行榜，然后等到用户数据收集到一定的时候，在切换为个性化推荐。

对于物品冷启动，可以利用新加入物品的内容信息，将它们推荐给喜欢过和他们相似的物品的用户。

对于系统冷启动，可以引入专家知识，通过一定高效的方式快速建立起物品的相关度表。

在上面介绍了一些推荐系统的基础算法知识，这些算法大都是比较经典且现在还在使用的。但是需要注意的是，在实践中，任何一种推荐算法都不是单独使用的，而是将多种推荐算法结合起来，也就是混合推荐系统，但是在这里并不准备介绍，感兴趣的可以查阅《推荐系统》或《推荐系统与深度学习》等书籍。此外，在推荐中非常重要的点击率模型以及基于矩阵的一些排序算法在这里并没有提及，感兴趣的也可自行学习。

虽然现在用的很多算法都是基于深度学习的，但是这些经典算法能够让我们对推荐系统的发展有一个比较好的理解，同时，更重要的一点——“推陈出新”，只有掌握了这些经典的算法，才能提出或理解现在的一些更好地算法。

❷ 酒店预订应用如何做个性化智能推荐

[导读]“帮用户选到符合他们心意的好酒店”是Q酒店的价值定位。该产品将用户的住店需求分为九大偏好和三大场景。用户在喜好设置中的九个标签中选择自己最重视的四个喜好 了解用户的喜好并直接推荐他需要的信息是众多互联网产品的目标。在酒店预订行业，Q酒店就是朝着该方向进行摸索的一款新应用。 “帮用户选到符合他们心意的好酒店”是Q酒店的价值定位。该产品将用户的住店需求分为九大偏好和三大场景。用户在喜好设置中的九个标签中选择自己最重视的四个喜好，再从搜索设置中选择此次住酒店的原因，即出差、旅行和约会中择其一，就能在应用中看到和自己喜好度最匹配的酒店信息。 在移动端的酒店预订产品中，大部分订房应用和酒店以及OTA之间的合作关系包括三种： �6�1酒店直签：即酒店预订应用与酒店直接签约，按实际发生的预订和消费间夜数收取佣金。 �6�1OTA合作：即酒店预订应用与OTA合作，OTA向酒店预订应用开放房态接口，预订成功后酒店先与OTA结算佣金，OTA再与订房应用分成。 �6�1搜索展示：即酒店预订应用根据搜索结果按照点击数向酒店收费。 Q酒店产品负责人潘江浩介绍，此前，酒店预订应用向用户销售酒店房间时的逻辑是，手中有什么样的房源就向用户销售相应的房间。在这个层面主要比拼的是酒店覆盖数和资源。 但在未来，解决了基本的酒店覆盖率问题后，向用户精准地推荐适合他们的酒店会成为下一阶段酒店预订应用竞争的核心。Q酒店希望先于那些以掌握酒店资源来作为销售依据的产品做出思路上的转换。扩大酒店的覆盖面，给用户更多的酒店选择空间和基于智能算法上的精准匹配。 个性化智能推荐算法的搭建逻辑 Q酒店的智能推荐算法来自于“用户喜好+所处场景+酒店自身”的三维匹配。 根据所获取的酒店评论资源库以及部分典型用户的访谈，Q酒店提取出了用户选择酒店偏好方面的九个喜好维度，即房间舒适、装修精致、服务周到、近中心区、性价比高、卫生干净、交通方便、环境安静以及设施齐全。 每一个酒店如何对应相应的喜好标签?潘江浩介绍，每个酒店对应的标签并不是由人工来进行匹配，而是根据酒店已经积累的历史用户评论，Q酒店通过语义分析和关键词聚类等技术，把原本已有的大量UGC内容进行结构化整理，变成能够与用户喜好和场景相对应匹配的维度。 当用户在喜好标签中选择了四个，并选定场景和酒店自身的条件，包括地点、价格和时间后，和用户要求重合度最高的酒店就会被优先推荐，在其之后则按照喜好匹配度由高至低依次推荐。 Q酒店中的酒店数据来源于三个方面：商务团队直接签约的酒店，由酒店提供相应的数据接口;和OTA合作，由OTA提供酒店数据;最后一种则来自于从网上搜索到的酒店信息，由编辑进行整理后录入系统，产品提供酒店电话供用户预订。 酒店需求变化蕴藏的市场潜力 产品中的酒店类型则分为经济连锁酒店、中端酒店和高端酒店三类。其中，经济连锁酒店中的70%到80%可以直接预订。而在一二线城市中，该类酒店占Q酒店的比例约40%。而在三四线的乡镇，该类酒店的比例会降到15%以下。 酒店类型的占比影响着按照喜好进行推荐的产品前景。由于经济连锁酒店的房间质量和特色较为统一，因此习惯于订该类酒店的人未必对个人喜好有很高的要求。 但从目前市场的发展情况来看，商旅人士逐渐希望住到比经济连锁酒店更好的中端酒店。在性价比合理的前提下，该类用户也会想尝试更多的好酒店，来满足一些深层次的猎奇、朋友同事间谈论等隐性需求。可这一类型的酒店因为还没有形成有影响力的品牌，而借助个性化的推荐更容易获得用户的发现。 而对于旅游者来说，他们所要去的城市是陌生的，住店经历又是整个旅行过程中非常重要的一个部分。他们会渴望住到一些有当地特色，或是离景点近的酒店客栈。 当用户对于酒店的特色和个性化需求增高时，在常规的经济连锁酒店之外就需要一些帮助用户发现更符合他们喜好的酒店预订产品。预测到这将成为下一阶段可能爆发的用户需求，Q酒店就选择了以此作为起点。 Q酒店是初见公司旗下的产品。该公司创始人郑南雁就是7天连锁酒店的创始人和前CEO。初见公司的前身主要为7天连锁酒店提供无线预订直销业务。

❸ 平台建立在什么基础上实现个性化推荐

随着互联网技术的高速发展,已经带领人们进入了大数据时代。在移动互联时代的今天,每个用户不仅仅是数据的浏览者,更是数据的创造,而面对这些海量的信息,用户往往很难找到自己真正喜欢的资源。因此,挖掘数据的潜在价值,给用户提供个性化的服务,已经成为大数据时代的一个热门的话题,与此同时,个性化推荐的技术也应运而生。个性化推荐是根据用户的购买行为和兴趣特点,向用户推荐感兴趣的信息。推荐技术的实质就是通过分析用户的历史行为记录来预测用户的未来行为的偏好,并将预测的结果以某种有效的形式展现给用户。
开放平台是最近互联网上兴起的一种平台架构思想,如国内最早大规模应用的开放平台:微博开放平台。开放平台,即把服务器端的一种计算能力封装成一系列计算机易识别的数据接口开放出去,以供第三方使用。通过开放平台,调用者可以实现复杂的接口数据交互功能,从而开发出丰富的应用。
本文结合了个性化推荐技术和开放平台的架构思想,提出了个性化推荐开放平台架构。该平台将个性化推荐的服务以接口的形式提供出来,包括了推荐接口和配置接口。基于开放平台的架构思想,接口的调用者无需购置服务器并编程实现推荐功能,只需通过平台接口便可以获取到推荐服务,大大降低了开发成本。同时,开放平台提供的接口服务,没有地域限制,可以让任何能接入到互联网的应用接入该服务。其中,推荐接口提供的是个性化的推荐服务,通过传入用户编号便可以获取到给用户推荐的个性化内容,配置接口提供的是对平台算法运行管理的接口,调用者可以配置服务器,启动服务运行。
在个性化推荐算法方面,采用了一种“松耦合”的算法编程思想,通过该思想,可以让算法与平台的耦合性降低,从而高效地更新算法库,可以集成更多的推荐算法。
在开放平台技术架构方面,提出面向接口的设计原则。采用Restlet作为服务的接口层,Kafka作为接口服务层与平台层通信的中间件层,Redis作为数据库提供接口服务层,Hadoop作为分布式计算层。各层分工协作,完成了开放平台的功能,实现了个性化推荐开放平台的两个接口:推荐API和配置API。

❹ 推荐系统产品和算法概述丨产品杂谈系列

本文主要是对最近所学的推荐系统的总结，将会简单概述非个性化范式、群组个性化范式、完全个性化范式、标的物关联标的物范式、笛卡尔积范式等5种常用的推荐范式的设计思路。

许多产品的推荐算法都依赖于三类数据：标的物相关的描述信息（如推荐鞋子，则包括鞋子的版型、适用对象、材质等信息、用户画像数据（指的是用户相关数据，如性别、年龄、收入等）、用户行为数据（例如用户在淘宝上的浏览、收藏、购买等）。这三类数据是推荐模型的主要组成部分，除此之外一些人工标注的数据（例如为商品人工打上标签）、第三方数据也能够用于补充上述的三类数据。

服务端在有以上数据的基础上，就可以从三个维度进行推荐：

根据个性化推荐的颗粒度，我们可以将基于用户维度的推荐分为非个性化推荐、群组个性化推荐及完全个性化推荐三种类型。

非个性化推荐指的是每个用户看到的推荐内容都是一样的 在互联网产品中，我们最常见的非个性化推荐的例子是各种排行榜，如下图是酷狗音乐的排行榜推荐，通过各个维度计算各类榜单，不管是谁看到这个榜单，上面的排序和内容都是一致的。

群组个性化推荐指的是将具有相同特征的用户聚合成一组，同一组用户在某些方面具备相似性，系统将为这一组用户推荐一样的内容 。这种推荐方式是很多产品进行用户精细化运营时会采用的方式，通过用户画像系统圈定一批批用户，并对这批用户做统一的运营。例如音乐软件的推荐播放，若以摇滚乐为基准将一批用户聚合成组，则为这些用户提供的每日推荐歌单是相同的内容和顺序，但与另一组爱听民谣的用户相比，两组用户看到的每日推荐内容将是不同的。

完全个性化指的是为每个用户推荐的内容都不一样，是根据每一位用户的行为及兴趣来为用户做推荐，是当今互联网产品中最常用的一种推荐方式 。大多数情况下我们所说的推荐就是指这种形式的推荐，例如淘宝首页的“猜你喜欢”就是一个完全个性化的推荐，千人千面，每个人看到的推荐尚品都不一样。

完全个性化可以只基于用户行为进行推荐，在构建推荐算法时只考虑到用户个人的特征和行为 ，不需要考虑其他用户，这也是最常见的内容推荐方式。除此之外， 还可以基于群组行为进行完全个性化推荐，除了利用用户自身的行为外，还依赖于其他用户的行为构建推荐算法模型 。例如，用户属性和行为相似的一群用户，其中90%的用户买了A商品后也买了B商品，则当剩下的10%用户单独购买B商品时，我们可以为该用户推荐商品A。

基于群组行为进行的完全个性化推荐可以认为是全体用户的协同进化，常见的协同过滤、基于模型的推荐等都属于这类推荐形式。

基于标的物的推荐指的是用户在访问标的物详情页或者退出标的物详情页时，可以根据标的物的描述信息为用户推荐一批相似的或者相关的标的物，对应的是最开始提到的“标的物关联标的物范式” 。如下图酷狗的相似歌曲推荐，

除了音乐产品外，视频网站、电商、短视频等APP都大量使用基于标的物维度的推荐。如下图便是YouTube基于标的物关联标的物的推荐。在YouTube上我观看一个周杰伦的音乐视频时，YouTube在该页面下方为我推荐更多与周杰伦有关的视频。

基于用户和标的物交叉维度的推荐指的是将用户维度和标的物维度结合起来，不同用户访问同一标的物的详情页时看到的推荐内容也不一样，对应的是开头提到的笛卡尔积推荐范式。 拿酷狗音乐对相似歌曲的推荐来举例，如果该推荐采用的是用户和标的物交叉维度的推荐的话，不同用户看到的“没有理想的人不伤心”这首歌曲，下面的相似歌曲是不一样的。拿淘宝举例的话，一样是搜索“裤子”这一关键词，不同的人搜索得到的搜索结果和排序是不同的，可能用户A搜索出来优先展示的是牛仔裤，而用户B优先展示的是休闲裤，淘宝将结合搜索关键词与用户个人的历史行为特征展示对应的搜索结果和排序。

对于基于笛卡尔积推荐范式设计的推荐系统来说，由于每个用户在每个标的物上的推荐列表都不一样，我们是没办法是先将所有组合计算出来并储存（组合过多，数量是非常巨大的），因此对于系统来说，能否在用户请求的过程中快速地为用户计算个性化推荐的标的物列表将会是一个比较大的挑战，对于整个推荐系统的架构也有更高的要求，因此在实际应用中，该种推荐方式用的比较少。

非个性化范式指的是为所有用户推荐一样的标的物列表，常见的各种榜单就是基于此类推荐规则，如电商APP中的新品榜、畅销榜等。排行榜就是基于某个规则来对标的物进行排序，将排序后的部分标的物推荐给用户。例如新品榜是按照商品上架的时间顺序来倒序排列，并将排序在前列的产品推荐给用户。而畅销榜则是按照商品销量顺序降序排列，为用户推荐销量靠前的商品。

根据具体的产品和业务场景，即使同样是非个性化范式推荐，在具体实施时也可能会比较复杂。例如在电商APP中畅销榜的推荐可能还会将地域、时间、价格等多个维度纳入考虑范围内，基于每个维度及其权重进行最终的排序推荐。

大部分情况下，非个性化范式推荐可以基于简单的计数统计来生成推荐，不会用到比较复杂的机器学习算法，是一种实施门槛较低的推荐方式。基于此，非个性化范式推荐算法可以作为产品冷启动或者默认的推荐算法。

完全个性化范式是目前的互联网产品中最常用的推荐模式，可用的推荐方法非常多。下面对常用的算法进行简单梳理。

该推荐算法只需要考虑到用户自己的历史行为而不需要考虑其他用户的行为，其核心思想是：标的物是有描述属性的，用户对标的物的操作行为为用户打上了相关属性的烙印，这些属性就是用户的兴趣标签，那么我们就可以基于用户的兴趣来为用户生成推荐列表。还是拿音乐推荐来举例子，如果用户过去听了摇滚和民谣两种类型的音乐，那么摇滚和民谣就是这个用户听歌时的偏好标签，此时我们就可以为该用户推荐更多的摇滚类、民谣类歌曲。

基于内容的个性化推荐在实操中有以下两类方式。

第一种是基于用户特征标识的推荐。
标的物是有很多文本特征的，例如标签、描述信息等，我们可以将这些文本信息基于某种算法转化为特征向量。有了标的物的特征向量后，我们可以将用户所有操作过的标的物的特征向量基于时间加权平均作为用户的特征向量，并根据用户特征向量与标的物特征向量的乘积来计算用户与标的物的相似度，从而计算出该用户的标的物推荐列表。

第二种是基于倒排索引查询的推荐。
如果我们基于标的物的文本特征（如标签）来表示标的物属性，那么基于用户对该标的物的历史行为，我们可以构建用户画像，该画像即是用户对于各个标签的偏好，并且对各个标签都有相应的偏好权重。

在构建完用户画像后，我们可以基于标签与标的物的倒排索引查询表，以标签为关键词，为用户进行个性化推荐。

举个粗暴的例子，有歌曲A、B、C分别对应摇滚、民谣、古风三个音乐标签，我听了歌曲A、B，则在我身上打了摇滚和民谣的标签，又基于我听这两个歌曲的频率，计算了我对“摇滚”和“民谣”的偏好权重。
在倒排索引查询表中，摇滚和民谣又会分别对应一部分歌曲，所以，可以根据我对摇滚和民谣的偏好权重从查询表中筛选一部分歌曲并推荐给我。

基于倒排索引查询的推荐方式是非常自然直观的，只要用户有一次行为，我们就可以据此为用户进行推荐。但反过来，基于用户兴趣给用户推荐内容，容易局限推荐范围，难以为用户推荐新颖的内容。

基于协同过滤的推荐算法，核心思想是很朴素的”物以类聚、人以群分“的思想。所谓物以类聚，就是计算出每个标的物最相似的标的物列表，我们就可以为用户推荐用户喜欢的标的物相似的标的物，这就是基于物品的协同过滤。所谓人以群分，就是我们可以将与该用户相似的用户喜欢过的标的物(而该用户未曾操作过)的标的物推荐给该用户，这就是基于用户的协同过滤。

常见的互联网产品中，很多会采用基于标的物的协同过滤，因为相比之下用户的变动概率更大，增长速度可能较快，这种情况下，基于标的物的协同过滤算法将会更加的稳定。

协同过滤算法思路非常简单直观，也易于实现，在当今的互联网产品中应用广泛。但协同过滤算法也有一些难以避免的问题，例如产品的冷启动阶段，在没有用户数据的情况下，没办法很好的利用协同过滤为用户推荐内容。例如新商品上架时也会遇到类似的问题，没有收集到任何一个用户对其的浏览、点击或者购买行为，也就无从基于人以群分的概念进行商品推荐。

基于模型的推荐算法种类非常多，我了解到的比较常见的有迁移学习算法、强化学习算法、矩阵分解算法等，且随着近几年深度学习在图像识别、语音识别等领域的进展，很多研究者和实践者也将其融入到推荐模型的设计当中，取得了非常好的效果。例如阿里、京东等电商平台，都是其中的佼佼者。

由于该算法涉及到比较多的技术知识，在下也处于初步学习阶段，就不班门弄斧做过多介绍了，有兴趣的朋友可以自行进行学习。

群组个性化推荐的第一步是将用户分组，因此，采用什么样的分组原则就显得尤为重要。常见的分组方式有两种。

先基于用户的人口统计学数据（如年龄、性别等）或者用户行为数据（例如对各种不同类型音乐的播放频率）构建用户画像。用户画像一般用于做精准的运营，通过显示特征将一批人圈起来形成同一组，对这批人做针对性的运营。因为前头已经提到此算法，这里不再重复介绍。

聚类是非常直观的一种分组思路，将行为偏好相似的用户聚在一起成为一个组，他们有相似的兴趣。常用的聚类策略有如下两类。

标的物关联标的物就是为每个标的物推荐一组标的物。该推荐算法的核心是怎么从一个标的物关联到其他的标的物。这种关联关系可以是相似的（例如嘉士伯啤酒和喜力啤酒），也可以是基于其他维度的关联（例如互补品，羽毛球拍和羽毛球）。常用的推荐策略是相似推荐。下面给出3种常用的生成关联推荐的策略。

这类推荐方式一般是利用已知的数据和标的物信息来描述一个标的物，通过算法的方式将其向量化，从而根据不同标的物向量之间的相似度来急速标的物之间的相似度，从而实现相识标的物的推荐。

在一个成熟的产品中，我们可以采集到的非常多的用户行为，例如在电商平台中，我们可以手机用户搜索、浏览、收藏、点赞等行为，这些行为就代表了用户对某个标的物的某种偏好，因此，我们可以根据用户的这些行为来进行关联推荐。

例如，可以将用户的行为矩阵分解为用户特征矩阵和物品特征矩阵，物品特征矩阵可以看成是衡量物品的一个向量，利用该向量我们就可以计算两个标的物之间的相似度了，从而为该用户推荐相似度高的其他产品。

再例如， 采用购物篮的思路做推荐，这种思路非常适合图书、电商等的推荐 。 以电商为例，我们可以把用户经常一起浏览(或者购买)的商品形成一个列表，将过去一段时间所有的列表收集起来。对于任何一个商品，我们都可以找到与它一起被浏览或者购买的其他商品及其次数，并根据次数来判断其关联性，从而进行关联推荐。

我们可以对用户进行分组，同样，我们也能够对标的物进行聚类分组。通过某位参考维度，我们将一些列具有相似性的标的物分成一组，当我们为用户进行推荐的时候，便可以将同一组内的其他标的物作为推荐对象，推荐给用户。

笛卡尔积范式的推荐算法一般是先采用标的物关联标的物范式计算出待推荐的标的物列表。再根据用户的兴趣来对该推荐列表做调整（例如根据不同兴趣的权重重新调整推荐列表的排序）、增加（例如基于个性化增加推荐对象）、删除（例如过滤掉已经看过的），由于其复杂程度较高在实际业务场景中应用较少，这边不再详细介绍。

好了，本次的介绍就到此为止了。本次主要是做了一个非常简单的推荐算法概述，在实际的业务场景中，还经常需要与产品形态或者更多的未读（如时间、地点等）相结合，是一个很有意思的领域，有兴趣的朋友可以进一步了解。

❺ 谈谈个性化推荐系统的利弊都有哪些

有利的地方就是接受信息会更加方面直接一些，不利的地方就是隐私没有得到保证，很容易将自己泄露在网络之中。

个性化推荐系统是互联网和电子商务发展的产物，它是建立在海量数据挖掘基础上的一种高级商务智能平台，向顾客提供个性化的信息服务和决策支持。近年来已经出现了许多非常成功的大型推荐系统实例，与此同时，个性化推荐系统也逐渐成为学术界的研究热点之一。

个性化推荐系统的推荐引擎在个性化算法的框架基础之上，还引入场景引擎、规则引擎和展示引擎，形成全新的百分点推荐引擎的技术框架，系统通过综合并利用用户的兴趣偏好、属性，商品的属性、内容、分类，以及用户之间的社交关系等等，挖掘用户的喜好和需求。

相关信息

随着推荐技术的研究和发展，其应用领域也越来越多。例如，新闻推荐、商务推荐、娱乐推荐、学习推荐、生活推荐、决策支持等。推荐方法的创新性、实用性、实时性、简单性也越来越强。电子商务推荐算法可能会面临各种难题。

例如大型零售商有海量的数据，以千万计的顾客，以及数以百万计的登记在册的商品；实时反馈需求，在半秒之内，还要产生高质量的推荐；新顾客的信息有限，只能以少量购买或产品评级为基础。老顾客信息丰富，以大量的购买和评级为基础；顾客数据不稳定，每次的兴趣和关注内容差别较大，算法必须对新的需求及时响应。

❻ 个性化推荐是怎么做的

各种推荐算法不能仅仅是研发涉猎领域，作为PM，也要深入到算法内部，了解算法的设计，以及结合内容对算法不断“调教”，才能让产品的推荐算法不断完善，才能符合用户的口味。

目前比较流行的个性化推荐算法有以下几种：

基于内容的推荐：根据内容本身的属性(特征向量)所作的推荐。

基于关联规则的推荐：“啤酒与尿布”的方式，是一种动态的推荐，能够实时对用户的行为作出推荐。是基于物品之间的特征关联性所做的推荐，在某种情况下会退化为物品协同过滤推荐。

协同过滤推荐：与基于关联规则的推荐相比是一种静态方式的推荐，是根据用户已有的历史行为作分析的基础上做的推荐。可分为物品协同过滤、用户协同过滤、基于模型的协同过滤。其中，基于模型的协同又可以分为以下几种类型：基于距离的协同过滤;基于矩阵分解的协同过滤，即Latent

Factor Model(SVD)或者ALS;基于图模型协同，即Graph，也叫社会网络图模型。

1、产品冷启动通过热度算法进行内容推荐

产品发展初期，由于一方面没有用户行为、用户喜好、用户画像，另外也没有大量的内容样本基础，是很难开展个性化推荐的。所以在产品初期，一般采取“热度算法”，顾名思义就是把热点的内容优先推荐给用户。虽然无法做到基于兴趣和习惯为每一个用户做到精准化的推荐，但能覆盖到大部分的内容需求，而且启动成本比个性化推荐算法低太多。

热度算法基本原理：

新闻热度分 = 初始热度分 + 用户交互产生的热度分 – 随时间衰减的热度分

Score = S0 + S(Users) – S(Time)

1)以新闻或视频较有时效性的内容举例，热度随内容陈旧而分值衰减。

2)初始热度分不要一视同仁。

按照新闻类别给予新闻不同的初始热度，让用户关注度高的类别获得更高的初始热度分，从而获得更多的曝光。军事>娱乐>体育>财经....

对于重大事件的报道，如何让它入库时就有更高的热度，我们采用的是热词匹配的方式。

即对大型新闻站点的头条，Twitter热点，竞品的头条做监控和扒取，并将这批新闻的关键词维护到热词库并保持更新;每条新闻入库的时候，让新闻的关键词去匹配热词库，匹配度越高，就有越高的初始热度分。这样处理后，重大事件发生时，Twitter和门户网站的争相报道会导致热词集中化，所有匹配到这些热词的新闻，即报道同样事件的新闻，会获得很高的初始热度分。

3)用户交互的热度分值比重不一。首先明确用户的的哪些行为会提高新闻的热度值，然后对这些行为赋予一定的得分规则。

例如对于单条新闻，用户可以点击阅读(click)，收藏(favor)，分享(share)，评论(comment)这四种行为，我们为不同的行为赋予分数，就能得到新闻的实时用户行为分为：

S(Users) = 1*click + 5*favor + 10*comment + 20*share

这里对不同行为赋予的分数为1,5,10,20，但这个值不能是一成不变的;当用户规模小的时候，各项事件都小，此时需要提高每个事件的行为分来提升用户行为的影响力;当用户规模变大时，行为分也应该慢慢降低，因此做内容运营时，应该对行为分不断调整。

当然也有偷懒的办法，那就是把用户规模考虑进去，算固定用户数的行为分，即：

S(Users) = (1*click + 5*favor + 10*comment + 20*share)/ DAU * N(固定数)

这样就保证了在不同用户规模下，用户行为产生的行为分基本稳定。

2、基于内容特征与用户特征进行个性化推荐

对于此种推荐，有两个实体：内容和用户，因此需要有一个联系这两者的东西，即为标签。内容转换为标签即为内容特征化，用户则称为用户特征化。对于此种推荐，主要分为以下几个关键部分：

标签库

内容特征化

用户特征化

隐语义推荐

综合上面讲述的各个部分即可实现一个基于内容和用户画像的个性化推荐系统。

标签库

标签是联系用户与物品、内容以及物品、内容之间的纽带，也是反应用户兴趣的重要数据源。标签库的最终用途在于对用户进行行为、属性标记。是将其他实体转换为计算机可以理解的语言关键的一步。

标签库则是对标签进行聚合的系统，包括对标签的管理、更新等。

一般来说，标签是以层级的形式组织的。可以有一级维度、二级维度等。

标签的来源主要有：

已有内容的标签

网络抓取流行标签

对运营的内容进行关键词提取

对于内容的关键词提取，使用结巴分词+TFIDF即可。此外，也可以使用TextRank来提取内容关键词。

这里需要注意的一点是对于关联标签的处理，比如用户的标签是足球，而内容的标签是德甲、英超，那么用户和内容是无法联系在一起的。最简单的方式是人工设置关联标签，此外也可以使用word2vec一类工具对标签做聚类处理，构建主题模型，将德甲、英超聚类到足球下面。

内容特征化

内容特征化即给内容打标签。目前有两种方式：

人工打标签

机器自动打标签

针对机器自动打标签，需要采取机器学习的相关算法来实现，即针对一系列给定的标签，给内容选取其中匹配度最高的几个标签。这不同于通常的分类和聚类算法。可以采取使用分词 +Word2Vec来实现，过程如下：

将文本语料进行分词，以空格,tab隔开都可以，使用结巴分词。

使用word2vec训练词的相似度模型。

使用tfidf提取内容的关键词A,B,C。

遍历每一个标签，计算关键词与此标签的相似度之和。

取出TopN相似度最高的标签即为此内容的标签。

此外，可以使用文本主题挖掘相关技术，对内容进行特征化。这也分为两种情况:

通用情况下，只是为了效果优化的特征提取，那么可以使用非监督学习的主题模型算法。如LSA、PLSI和GaP模型或者LDA模型。

在和业务强相关时，需要在业务特定的标签体系下给内容打上适合的标签。这时候需要使用的是监督学习的主题模型。如sLDA、HSLDA等。

用户特征化

用户特征化即为用户打标签。通过用户的行为日志和一定的模型算法得到用户的每个标签的权重。

用户对内容的行为：点赞、不感兴趣、点击、浏览。对用户的反馈行为如点赞赋予权值1，不感兴趣赋予-1;对于用户的浏览行为，则可使用点击/浏览作为权值。

对内容发生的行为可以认为对此内容所带的标签的行为。

用户的兴趣是时间衰减的，即离当前时间越远的兴趣比重越低。时间衰减函数使用1/[log(t)+1], t为事件发生的时间距离当前时间的大小。

要考虑到热门内容会干预用户的标签，需要对热门内容进行降权。使用click/pv作为用户浏览行为权值即可达到此目的。

此外，还需要考虑噪声的干扰，如标题党等。

另，在非业务强相关的情况下，还可以考虑使用LSA主题模型等矩阵分解的方式对用户进行标签化。

隐语义推荐

有了内容特征和用户特征，可以使用隐语义模型进行推荐。这里可以使用其简化形式，以达到实时计算的目的。

用户对于某一个内容的兴趣度(可以认为是CTR)：

其中i=1…N是内容c具有的标签，m(ci)指的内容c和标签i的关联度(可以简单认为是1),n(ui)指的是用户u的标签i的权重值,当用户不具有此标签时n(ui)=0，q©指的是内容c的质量，可以使用点击率(click/pv)表示。

3、其他运用

除了个性化推荐，基于内容的相关性算法能精准地给出一篇新闻的相关推荐列表，对相关阅读的实现非常有意义。此外，标签系统对新闻分类的实现和提升准确性，也有重要的意义。

4、优缺点

基于内容的推荐算法有几个明显优点：

对用户数量没有要求，无论日活几千或是几百万，均可以采用;因此个性化推荐早期一般采用这种方式。

每个用户的特征都是由自己的行为来决定的，是独立存在的，不会有互相干扰，因此恶意刷阅读等新闻不会影响到推荐算法。

而最主要的缺点就是确定性太强了，所有推荐的内容都是由用户的阅读历史决定，所以没办法挖掘用户的潜在兴趣;也就是由于这一点，基于内容的推荐一般与其他推荐算法同时存在。

基于用户的协同推荐

终于，经过团队的努力，你的产品已经有了大量活跃用户了，这时候你开始不满足于现有的算法。虽然基于内容的推荐已经很精准了，但总是少了那么一点性感。因为你所有给用户的内容都是基于他们的阅读习惯推荐的，没能给用户“不期而遇”的感觉。

于是，你就开始做基于用户的协同过滤了。

基于用户的协同过滤推荐算法，简单来讲就是依据用户A的阅读喜好，为A找到与他兴趣最接近的群体，所谓“人以群分”，然后把这个群体里其他人喜欢的，但是A没有阅读过的内容推荐给A。

举例我是一个足球迷，系统找到与我类似的用户都是足球的重度阅读者，但与此同时，这些“足球群体”中有一部分人有看NBA新闻的习惯，系统就可能会给我推荐NBA内容，很可能我也对NBA也感兴趣，这样我在后台的兴趣图谱就更完善了。

1、用户群体划分

做基于用户的协同过滤，首先就要做用户的划分，可以从三方面着手：

(1)外部数据的借用

这里使用社交平台数据的居多，现在产品的登录体系一般都借用第三方社媒的登录体系，如国外的Facebook、Twitter，国内的微信、微博，借用第三方账户的好处多多，例如降低门槛，方便传播等，还能对个性化推荐起到重要作用。

因为第三方账户都是授权获取部分用户信息的，往往包括性别，年龄，工作甚至社交关系等，这些信息对用户群划分很有意义。

此外还有其他的一些数据也能借用，例如IP地址，手机语种等。

使用这些数据，你很容易就能得到一个用户是北京的还是上海的，是大学生还是创业者，并依据这些属性做准确的大类划分。

比如一篇行业投资分析出来后，“上海创业圈”这个群体80%的用户都看过，那就可以推荐给剩下的20%。

(2)产品内主动询问

常见在产品首次启动的时候，弹框询问用户是男是女，职业等，这样能对内容推荐的冷启动提供一些帮助。但总体来说，性价比偏低，只能询问两三个问题并对用户的推荐内容做非常粗略的划分，同时要避免打扰到用户;这种做法算是基于用户个性化的雏形。

(3)对比用户特征

新闻的特征加用户的阅读数据能得到用户的特征，那就可以通过用户特征的相似性来划分群体。

最后总结，没有一款完美的个性化推荐算法，毕竟用户的心里你别猜别猜别猜，但是产品经理还是要结合自身产品不断打磨算法。

❼ 3分钟轻松了解个性化推荐算法

推荐这种体验除了电商网站，还有新闻推荐、电台音乐推荐、搜索相关内容及广告推荐，基于数据的个性化推荐也越来越普遍了。今天就针对场景来说说这些不同的个性化推荐算法吧。
说个性化之前，先提一下非个性化。 非个性化的推荐也是很常见的，毕竟人嘛都有从众心理，总想知道大家都在看什么。非个性化推荐的方式主要就是以比较单一的维度加上半衰期去看全局排名，比如，30天内点击排名，一周热门排名。

但是只靠非个性化推荐有个弊端，就是马太效应，点的人越多的，经过推荐点得人有更多。。。强者越强，弱者机会越少就越弱，可能导致两级分化严重，一些比较优质素材就被埋没了。

所以，为了解决一部分马太效应的问题，也主要是顺应数据化和自动化的模式，就需要增加个性化的推荐（可算说到正题了。。。）个性化的优点是不仅体验好，而且也大大增加了效率，让你更快找到你感兴趣的东西。YouTube也曾做过实验测试个性化和非个性化的效果，最终结果显示个性化推荐的点击率是同期热门视频的两倍。

1.新闻、视频、资讯和电台（基于内容推荐）

一般来说，如果是推荐资讯类的都会采用基于内容的推荐，甚至早期的邮件过滤也采用这种方式。

基于内容的推荐方法就是根据用户过去的行为记录来向用户推荐相似额推荐品。简单来说就是你常常浏览科技新闻，那就更多的给你推荐科技类的新闻。

复杂来说，根据行为设计权重，根据不同维度属性区分推荐品都是麻烦的事，常用的判断用户可能会喜欢推荐品程度的余弦向量公式长这样，我就不解释了（已经勾起了我关于高数不好的回忆）。。。

但是，这种算法缺点是由于内容高度匹配，导致推荐结果的惊喜度较差，而且有冷启动的问题，对新用户不能提供可靠的推荐结果。并且，只有维度增加才能增加推荐的精度，但是维度一旦增加计算量也成指数型增长。如果是非实体的推荐品，定义风格也不是一件容易的事，同一个作者的文风和曲风也会发生改变。

2.电商零售类（协同过滤推荐和关联规则推荐）

说电商推荐那不可能不讲到亚马逊，传言亚马逊有三成的销售额都来自个性化的商品推荐系统。实际上，我自己也常常在这里找到喜欢的书，也愿意主动的去看他到底给我推荐了什么。

一般，电商主流推荐算法是基于一个这样的假设，“跟你喜好相似的人喜欢的东西你也很有可能喜欢。”即协同过滤过滤算法。主要的任务就是找出和你品味最相近的用户，从而根据最近他的喜好预测你也可能喜欢什么。

这种方法可以推荐一些内容上差异较大但是又是用户感兴趣的物品，很好的支持用户发现潜在的兴趣偏好。也不需要领域知识，并且随着时间推移性能提高。但是也存在无法向新用户推荐的问题，系统刚刚开始时推荐质可能较量差。

电商行业也常常会使用到基于关联规则的推荐。即以关联规则为基础，把已购商品作为规则头，规则体为推荐对象。比如，你购买了羽毛球拍，那我相应的会向你推荐羽毛球周边用品。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中已经得到了成功的应用。

3.广告行业（基于知识推荐）

自从可以浏览器读取cookies，甚至获得年龄属性等信息，广告的个性化投放就也可以根据不同场景使用了。

当用户的行为数据较少时，基于知识的推荐可以帮助我们解决这类问题。用户必须指定需求，然后系统设法给出解决方式。假设，你的广告需要指定某地区某年龄段的投放，系统就根据这条规则进行计算。基于知识的推荐在某种程度是可以看成是一种推理技术。这种方法不需要用户行为数据就能推荐，所以不存在冷启动问题。推荐结果主要依赖两种形式，基于约束推荐和基于实例推荐。

4.组合推荐

由于各种推荐方法都有优缺点，所以在实际中，并不像上文讲的那样采用单一的方法进行建模和推荐（我真的只是为了解释清楚算法）。。。

在组合方式上，也有多种思路：加权、变换、混合、特征组合、层叠、特征扩充、元级别。 并且，为了解决冷启动的问题，还会相应的增加补足策略，比如根据用户模型的数据，结合挖掘的各种榜单进行补足，如全局热门、分类热门等。 还有一些开放性的问题，比如，需不需要帮助用户有品味的提升，引导人去更好的生活。

最后，我总想，最好的推荐效果是像一个了解你的朋友一样跟你推荐，因为他知道你喜欢什么，最近对什么感兴趣，也总能发现一些有趣的新东西。这让我想到有一些朋友总会兴致勃勃的过来说，嘿，给你推荐个东西，你肯定喜欢，光是听到这句话我好像就开心起来，也许这就是我喜欢这个功能的原因。

❽ php网站个性化推荐如何实现

你需要研究一下推荐算法，而且必须基于足够大的用户样本。如果只是做个简单的，那就给每篇文章都设置标签，然后比对用户的标签，重合度最高的就推荐给他。

❾ 推荐算法简介

在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战:作为信息消费者，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情;作为信息生产者， 如何让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息 生产者的双赢。和搜索引擎不同的是，推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为给用 户的兴趣建模，从而主动给用户推荐能够满足他们兴趣和需求的信息 个性化推荐的成功需要两个条件。第一是存在 信息过载 ，因为如果用户可以很容易地从所有物品中找到喜欢的物品，就不需要个性化推荐。第二用 户大部分时候没有特别明确的需求 ，因为用户没有明确的需求，可以直接通过搜索引擎找到感兴趣的物品。

一个完整的推荐系统一般存在3个参与方：用户、物品提供者和提供推荐系统的网站。以图书推荐为例， 首先，推荐系统需要满足用户的需求，给用户推荐那些令他们感兴趣的图书。其次，推荐系统要让各出版社的书都能够被推荐给对其感兴趣的用户，而不是只推荐几个大型出版社的书。最后， 好的推荐系统设计，能够让推荐系统本身收集到高质量的用户反馈，不断完善推荐的质量，增加 用户和网站的交互，提高网站的收入。因此在评测一个推荐算法时，需要同时考虑三方的利益， 一个好的推荐系统是能够令三方共赢的系统。

推荐系统中，主要有3种评测推荐效果的实验方法，即离线实验(offline experiment)、用户调查(user study)和在线实验(online experiment)。

2.1 离线实验

离线实验的方法一般由如下几个步骤构成: (1) 通过日志系统获得用户行为数据，并按照一定格式生成一个标准的数据集; (2) 将数据集按照一定的规则分成训练集和测试集; (3) 在训练集上训练用户兴趣模型，在测试集上进行预测; (4) 通过事先定义的离线指标评测算法在测试集上的预测结果。

从上面的步骤可以看到，推荐系统的离线实验都是在数据集上完成的，也就是说它不需要一个实际的系统来供它实验，而只要有一个从实际系统日志中提取的数据集即可。这种实验方法的 好处是不需要真实用户参与，可以直接快速地计算出来，从而方便、快速地测试大量不同的算法。它的主要缺点是无法获得很多商业上关注的指标，如点击率、转化率等，而找到和商业指标非常相关的离线指标也是很困难的事情

2.2 用户调查

3.3 在线实验

在完成离线实验和必要的用户调查后，可以将推荐系统上线做 AB测试 ，将它和旧的算法进行比较。 AB测试 是一种很常用的在线评测算法的实验方法。它通过一定的规则将用户随机分成几组，并对不同组用户采取不同的算法，然后通过统计不同组用户的各种不同的评测指标比较不同算法的好坏。 AB测试的优点是可以公平获得不同算法实际在线时的性能指标，包括商业上关注的指标。 AB测试的缺点主要是周期比较长，必须进行长期的实验才能得到可靠的结果。因此一般不会用 AB测试测试所有的算法，而只是用它测试那些在离线实验和用户调查中表现很好的算法。其次， 一个大型网站的AB测试系统的设计也是一项复杂的工程。

一般来说，一个新的推荐算法最终上线，需要完成上面所说的3个实验。 1）首先，需要通过离线实验证明它在很多离线指标上优于现有的算法。 2）然后，需要通过用户调查确定它的用户满意度不低于现有的算法。 3）最后，通过在线的AB测试确定它在我们关心的指标上。

本节将介绍各种推荐系统的评测指标。这些评测指标可用于评价推荐系统各方面的性能。这 些指标有些可以定量计算，有些只能定性描述，有些可以通过离线实验计算，有些需要通过用户 调查获得，还有些只能在线评测。

(1) 用户满意度

用户作为推荐系统的重要参与者，其满意度是评测推荐系统的最重要指标。但是，用户满意度没有办法离线计算，只能通过用户调查或者在线实验获得。

在在线系统中，用户满意度主要通过一些 对用户行为的统计得到 。比如在电子商务网站中，用户如果购买了推荐的商品，就表示他们在一定程度上满意。因此，我们可以 利用购买率度量用 户的满意度 。此外，有些网站会通过设计一些用户 反馈界面收集用户满意度 。比如在视频网站中，都有对推荐结果满意或者不满意的 反馈按钮 ，通过统计两种按钮的单击情况就可以度量系统的用户满意度。更一般的情况下，我们可以用 点击率、用户停留时间和转化率等指标度量 用户的满意度。

(2) 预测准确度

预测准确度度量一个推荐系统或者推荐算法预测用户行为的能力。这个指标是最重要的推荐系统离线评测指标

在计算该指标时需要有一个离线的数据集，该数据集包含用户的历史行为记录。然后，将该数据集通过时间分成训练集和测试集。最后，通过在训练集上建立用户的行为和兴趣模型预测用户在测试集上的行为，并计算预测行为和测试集上实际行为的重合度作为预测准确度。 预测准确度指标有分为以下几种：

评分预测：

预测用户对物品评分的行为成为评分预测，在评分预测中，预测准确度一般通过均方根误差RMSE和平均绝对误差MAE计算，对于测试集中的一个用户u和物品i,令[图片上传失败...(image-62a797-1560412790460)] 是用户u对物品i的实际评分，而[图片上传失败...(image-28cfbc-1560412790460)] 是推荐算法给出的预测评分，那么RMSE定义为：

其中T为样本个数

MAE采用绝对值计算预测误差，它的定义为:

TopN推荐

网站在提供推荐服务时，一般是给用户一个个性化的推荐列表，这种推荐叫做TopN推荐。TopN推荐的预测准确率一般通过准确率(precision)/召回率(recall)度量。 令R(u)是根据用户在训练集上的行为给用户作出的推荐列表，而T(u)是用户在测试集上的行为列表。那么，推荐结果的召回率定义为:

推荐结果准确率定义：

(3) 覆盖率

覆盖率（coverage）描述一个推荐系统对物品长尾的发掘能力。覆盖率有不同的定义方法，最简单的定义为推荐系统能够推荐出来的物品占总物品集合的比例。假设系统的用户集合U，推荐系统给每个用户推荐一个长度为N的物品集合R（u）。那么推荐系统的覆盖率可以通过下面的公式计算：

I为总物品数

此外，从上面的定义也可以看到，热门排行榜的推荐覆盖率是很低的，它只会 推荐那些热门的物品，这些物品在总物品中占的比例很小。一个好的推荐系统不仅需要有比较高的用户满意度，也要有较高的覆盖率。

但是上面的定义过于粗略。覆盖率为100%的系统可以有无数的物品流行度分布。为了更细致地描述推荐系统发掘长尾的能力，需要统计推荐列表中不同物品出现次数的分布。如果所有的 物品都出现在推荐列表中，且出现的次数差不多，那么推荐系统发掘长尾的能力就很好。因此， 可以通过研究物品在推荐列表中出现次数的分布描述推荐系统挖掘长尾的能力。如果这个分布比 较平，那么说明推荐系统的覆盖率较高，而如果这个分布较陡峭，说明推荐系统的覆盖率较低。 在信息论和经济学中有两个着名的指标可以用来定义覆盖率。第一个是信息熵:

其中：n代表推荐列表中物品类别个数，p(i)代表每个类别的所占的比率

第二个指标是基尼系数：

(4) 多样性

为了满足用户广泛的兴趣，推荐列表需要能够覆盖用户不同的兴趣领域，即推荐结果需要具有多样性。多样性推荐列表的好处用一句俗话表示就是（不在一棵树上吊死）。尽管用户的兴趣在较长的时间跨度中是一样的。但具体到用户访问推荐系统的某一时刻，其兴趣往往是单一的，那么如果推荐列表只能覆盖用户的一个兴趣点，而这个兴趣点不是用户这个时刻的兴趣点，推荐结果就不会让用户满意。反之如果推荐列表表较多样，覆盖用户绝大多数的兴趣点，那么久会增加用户找到感兴趣物品的概率。因此给用户的推荐列表也需要满足用户广泛的兴趣，即具有多样性。

多样性描述了推荐列表中物品两两之间的不相似性，因此，多样性和相似性是对应的。假设s(i, j) ∈Î[0,1] 定义了物品i和j之间的相似度，那么用户u的推荐列表R(u)的多样性定义如下：

而推荐系统的整体多样性可以定义为所有用户推荐列表多样性的平均值：

(5) 新颖性

新颖的推荐是指给用户推荐那些他们以前没有听说过的物品。在一个网站中 实现新颖性 的最简单办法是，把那些用户之前在网站中对其有过行为的物品从推荐列表中过滤掉。比如在一个视 频网站中，新颖的推荐不应该给用户推荐那些他们已经看过、打过分或者浏览过的视频。 评测新颖度的最简单方法是利用推荐结果的平均流行度，因为越不热门的物品越 可能让用户觉得新颖。因此，如果推荐结果中物品的平均热门程度较低，那么推荐结果就可能有比较高的新颖性。

(6) 惊喜度

惊喜度(serendipity)是最近这几年推荐系统领域最热门的话题。如果推荐结果和用户的历史兴趣不相似，但却让用户觉得满意，那么就可以说推荐结果的惊喜度很高，而推荐的新颖性仅仅取决于用户是否听说过这个推荐结果。提高推荐惊喜度需要提高推荐结果的用户满意度，同时降低推荐结果和用户历史兴趣的相似度。

(7) 信任度

度量推荐系统的信任度只能通过问卷调查的方式，询问用户是否信任推荐系统的推荐结果。 提高推荐系统的信任度主要有两种方法。首先需要增加推荐系统的透明度(transparency)， 而增加推荐系统透明度的主要办法是提供推荐解释。只有让用户了解推荐系统的运行机制，让用 户认同推荐系统的运行机制，才会提高用户对推荐系统的信任度。其次是考虑用户的社交网络 信息，利用用户的好友信息给用户做推荐，并且用好友进行推荐解释。这是因为用户对他们的 好友一般都比较信任，因此如果推荐的商品是好友购买过的，那么他们对推荐结果就会相对比较信任

(8) 实时性

在很多网站中，因为物品(新闻、微博等)具有很强的时效性，所以需要在物品还具有时效 性时就将它们推荐给用户。 推荐系统的实时性包括两个方面。首先，推荐系统需要实时地更新推荐列表来满足用户新的 行为变化。实时性的第二个方面是推荐系统需要能够将新加入系统的物品推荐给用户。这主要考验了推 荐系统处理物品冷启动的能力。

(9) 健壮性

健壮性(即robust,鲁棒 性)指标衡量了一个推荐系统抗击作弊的能力。算法健壮性的评测主要利用模拟攻击。首先，给定一个数据集和一个算法，可以用这个算法 给这个数据集中的用户生成推荐列表。然后，用常用的攻击方法向数据集中注入噪声数据，然后 利用算法在注入噪声后的数据集上再次给用户生成推荐列表。最后，通过比较攻击前后推荐列表 的相似度评测算法的健壮性。如果攻击后的推荐列表相对于攻击前没有发生大的变化，就说明算 法比较健壮

(10) 商业目标

很多时候，网站评测推荐系统更加注重网站的商业目标是否达成，而商业目标和网站的盈利模式是息息相关的

(11) 总结

上一节介绍了很多评测指标，但是在评测系统中还需要考虑评测维度，比如一个推荐算法， 虽然整体性能不好，但可能在某种情况下性能比较好，而增加评测维度的目的就是知道一个算法 在什么情况下性能最好。这样可以为融合不同推荐算法取得最好的整体性能带来参考。

一般来说，评测维度分为如下3种。 1） 用户维度 ：主要包括用户的人口统计学信息、活跃度以及是不是新用户等。 2） 物品维度 ：包括物品的属性信息、流行度、平均分以及是不是新加入的物品等。 3） 时间维度 ：包括季节，是工作日还是周末，是白天还是晚上等。 如果能够在推荐系统评测报告中包含不同维度下的系统评测指标，就能帮我们全面地了解推 荐系统性能，找到一个看上去比较弱的算法的优势，发现一个看上去比较强的算法的缺点。

❿ 什么是UGC

众所周知，内容生产模式分为PGC与UGC，分别是专业内容生产模式和用户生产内容模式，当然还有PUGC：在专业指导下的用户生产内容模式：例如抖音有一个模版视频，大家模仿这个视频进行表演。

PGC，通过雇了一批员工或付费请了一群专栏作家来生产内容，这样的内容质量比较高，内容的方向也容易控制，提供给用户比较优质的内容，诸如早期的三大门户网站，但是随着内容的爆炸，运营成本增加，并且内容生产有限，难以做到千人千面的个性化推荐

而UGC，让用户自发地生产内容，官方再做审核和甄别优质内容，这样的内容参差不齐，内容大量的时候审核成本会很高，同时用户自发运营，方向可能存在不确定性，诸如快手，用户可能形成自己的文化气质。但是由于内容足够大，可以满足用户多元化的需求，同时个性化推荐算法也有了海量的内容基础，当然运营起一个UGC模式是非常困难的，如何鼓励用户生产内容，设计生产通路，任重道远。

UGC的主体

UGC的主体，是一般用户，即某平台的一般用户创造的内容。概念源自于互联网社交平台，体现了用户和平台之间的一种关系。平台提供功能，一般用户可以通过平台，发布传播自己的UGC给其他用户看。平台通过给予话语权、平台功能，让一般用户能够自主创造内容，增加平台的活跃度，平台从而越做越大，吸引更多的用户。

以UGC为内容生产机制的平台

依据这个内容生产机制，涌现出了非常多为人熟知的网络平台。

比如好友社交网络的Facebook、微信朋友圈，用户可以更改状态、发表日志、发布照片、分享视频等，从而了解好友动态。

比如视频分享网络的bilibili、抖音、YouTube等，这类网站以视频的上传和分享为中心，它也存在好友关系，但相对于好友网络，这种关系很弱，更多地是通过共同喜好而结合。

比如知识分享网络的网络、网络知道、维基网络等，这类网站是为了普及网友的知识和为网友解决疑问。

比如社区论坛，如网络贴吧、天涯社区、知乎等，这类网站的用户往往因共同的话题而聚集在一起。

比如微博，如Twitter、新浪微博等，每一个应用使用者，都有可能成为第一现场的发布者。

UGC发展史

可以从上图中看出，从2004年的论坛的出现，到2010年的移动应用APP社区，经过6年时间的快速发展在载体和内容上的变化如下：
UGC载体变化：从PC、移动APP；
UGC内容变化：图文、视频、短视频、直播；

UGC三要素

我们把任意一个UGC社区进行拆解，会发现其实它的构成有三个非常重要、核心的要素：用户、内容和载体。

用户
就是符合社区调性的用户，也是UGC社区定位的用户群体。定位为社区目标人群画像，就是从你的目标用户群身上找共同的一些特征，如年龄，爱好，受教育程度，生活环境，经济收入等！通过这些特征我们可以快速的、有目的地去找到他们，然后有针对性地去解决他们的诉求，引导用户消费社区内容。

内容
符合社区调性的内容，是UGC社区生产的主要资源，此资源是链接内容生产者、平台、平台消费者的媒介。内容的多少、更新的快慢、质量的高低等因素，完全影响和左右着平台内容创作者的创作积极性和活跃程度，因此如何激励生产者生产优质内容、引导用户消费高质量资源是平台需要非常重视的运营手段。

创作工具和使用体验

网易音乐就是充分利用了用户生成内容，造成了现象级营销现象。每一个文案都来自于你的用户，共情较高。