浅谈推荐系统

Posted 2021-05-01 区块链and语义研究实验室

李雷

互联网技术的发展使我们走入了一个信息爆炸的时代，在海量信息能非常方便快捷的呈现在我们面前的同时，也带来了一些负面问题。同学们知道是什么问题吗？

俗话说：乱花渐欲迷人眼。在信息爆炸的时代，我们想从大量的信息中找到自己感兴趣的、适合自己的信息会变得非常困难。

韩梅梅

对信息提供方来说，提供方需要提供大量的信息才能取得部分收益，这样提供信息花费的成本与取得的回报根本不成比例。

Jim

李雷

是的，两位同学说的非常好。我们分析原因，可以发现信息量的爆炸式增长固然是原因之一，但其实还有一个更深层次的原因，那就是提供方提供的信息没有几乎没有任何关联与针对性。

遍地撒网，愿者上钩！

Jim

李雷

这个比喻用的很好，正是因为信息与用户没有较强的关联与针对性，用户就只能“随缘”获取信息，因此互联网上的信息利用率相对较低。

      信息量的爆炸式增长，使信息与用户的关联性、针对性反而减弱，用户无法快捷地获取自己想要的信息，导致信息的利用率低下，也使信息提供方付出的成本变得高昂。

那么，用什么方式可以解决这些问题呢？

韩梅梅

推荐系统！

Jim

李雷

没错！推荐系统可以向用户推荐“量身定做”的内容，因而能极大的提高互联网上相关信息的利用率。其实，推荐系统早在上个世纪就已经开始研究，不过真正广泛运用还是大数据时代开启后。

因为大数据使用户的行为能够被更准确的分析，从而使信息提供商能准确地刻画用户画像，分析用户喜好，从而给用户推荐相关的内容。

Jim

李雷

对，推荐系统其实就是一种信息过滤系统，通过大量数据与相关算法，分析计算用户的行为偏好，从而发掘或预测出用户的个人需求，给予用户相关推荐。

下图是一个推荐系统的通用架构：

李雷

从图中可以看出，推荐系统有三大组成部分：用户行为数据收集加工模块、推荐算法模块、业务应用模块，其中最核心的内容便是推荐算法。

实际应用中，我们通常将推荐算法分为四大类，分别是基于规则的推荐算法、基于内容的推荐算法，协同过滤推荐算法和混合推荐算法。我们接下来就将对这四种推荐算法进行详细介绍。

李雷

首先是基于规则的推荐算法，它是一种以规则为导向的推荐算法，也称为基于流行度的推荐算法，这类算法很简单，就是对产品进行一个简单的结构化数据统计，例如用户点击量、用户购买量、用户评分等，再利用设定好的规则进行过滤，最后取排行的前n名给用户进行推荐。

基于规则的推荐算法似乎没有使用大数据智能技术。

Jim

李雷

没错，该类算法只是简单的对结构化数据进行统计，因此没办法实现个性推荐，从智能的角度来说是非常局限的。但是该类推荐算法的实现十分简单，执行效率非常高，因此在生产领域反而使用广泛。你们能举一些例子吗？

我知道，微博热搜、百度热点！

韩梅梅

还有视频网站的热门视频、购物网站的”大家都在买“这类！

Jim

李雷

第二大类是基于内容的推荐算法，它是一种以内容为导向的推荐算法，通过对内容进行特征提取，从而向用户推荐相同或近似的内容。对内容特征提取的准确率会直接影响到最终推荐结果的准确度。

基于内容的推荐算法适用于新闻、视频、音乐等多媒体内容的推荐，因为用户可能喜欢相同、相似的内容。

不太适用于购物推荐，因为一般来说，用户购买了某类物品，短时间内是不会再去买第二件同类物品的。

韩梅梅

李雷

是的。此外，基于内容的推荐算法极大依赖于对内容特征提取的准确性，例如对内容打分类型、打Tag等。这类工作在早期由人工来完成，但是随着人工智能技术的发展，特别是自然语言处理技术的发展，提取内容特征的工作逐渐交由机器自动完成，从而极大提升了系统效率。

李雷

第三类是协同过滤推荐算法，这是目前在众多推荐系统中，基本上都会使用到的一种推荐算法，协同过滤推荐算法。这种算法的一个思想就是：“物以类聚，人以群分”，喜欢相同物品的用户更有可能具有相同的兴趣。

李雷

这类算法又分为：基于用户的协同过滤、基于物品的协同过滤和基于模型的协同过滤。分别是对用户刻画画像、对物品刻画特征、建模分析的方式来分析用户与用户的相似度。协同过滤推荐算法的核心其实就是相似度算法。

我知道了，是依靠相似度算法来计算出用户之间的相似与否，最后从相似的用户之间互相推荐内容。

韩梅梅

是这个理儿。因此，这类算法的优点是计算性能好，准确度一般较高，稳定性较好，而且容易发现用户的潜在兴趣点。但也有一些缺点：需要大量的用户行为数据来计算相似性，数据不足时无法保证准确度。

Jim

李雷

最后是混合推荐算法。

看这个名字，感觉和机器学习中的集成学习差不多，博才众长，通过多个推荐算法的结合，得到一个更好的“混合”推荐算法。

Jim

李雷

其实与其叫做混合推荐算法，我更宁愿叫做采用多种算法的混合推荐系统，因为该类并不是将几个推荐算法融合成一个算法，而是将其组合成一个系统。

那么算法是怎么组合的呢？

韩梅梅

李雷

组合的方式有很多，不过最典型的方式有两种：加权和级联。

就类似于电路中的并联和串联？

Jim

李雷

没错！加权就相当于并联，使用不同推荐算法对相同的内容计算分数，最后按照权值计算总分，通过最终的总分对内容进行推荐。

李雷

级联就相当于串联，先使用第一种推荐算法计算出一次推荐结果（可能结果很多），然后再使用第二种推荐算法对第一次的结果再次计算……以此类推，最终得到top n 的推荐结果。

除了这两种，还有没有其它组合方式呢？

韩梅梅

李雷

有！混合模式还有切换式、层叠式、特征组合式、特征补充等多种模式。在混合推荐算法中，选用何种混合模式，一般需要考虑到子算法的互补性，也就是组合后的算法需要使结果的准确度有较大提升才行。

李雷

那么以上就是推荐系统的介绍。学了这么多推荐系统的知识，大家有什么感受或收获呢？

推荐系统的基础是用户行为数据收集，核心是推荐算法。推荐系统通过发掘用户的行为，找到用户的个性化需求，从而将长尾物品准确推荐给需要它的用户，帮助用户找到他们感兴趣但很难发现的物品。高质量的推荐系统会使用户对系统产生依赖，因此推荐系统能为用户提供十足的个性化服务。

Jim

推荐系统还能与用户建立长期稳定的关系，提高用户忠诚度，防止用户流失。此外，推荐系统可以运用在非常多的地方，无论是电商行业、新闻行业还是知识服务行业等，只要有客户参与服务，都可以使用推荐系统来增加客户的体验。

韩梅梅

李雷

没错，大家说的都很好！推荐系统也是多种技术综合的一种系统，其中包括但不限于大数据、自然语言处理、相似度计算、语义模型、特征提取等技术，这些技术的发展与应用都能提高推荐系统的推荐结果准确度。

李雷

说了这么多，相信大家也收获了很多，不如留言一起聊一聊吧。

也可以私信我们，欢迎提问！

Jim

欢迎大家踊跃留言交流！

韩梅梅