大数据开发推荐系统之架构原理

Posted 2021-04-26 数据信息化

推荐系统

之架构原理（一）

Architecture principle of recommendation system

简介

本文将介绍什么是推荐系统以及何如构建推荐系统

01

推荐系统

■ 什么是推荐系统

推荐系统可以把那些最终会在用户(User)和物品(Item)之间产生的连接提前找出来。

例如：

• 社交产品-脸书

从已经建立社交关系的用户身上去推测你还可能对哪些人感兴趣，本质上就是提前把哪些可能的用户连接找出来，然后再按照用户分别呈现在每一个人面前。

• 今日头条

只有当用户不断点进源源不断的内容物品中，每一次点击，就是一个连接，每一次阅读也是一个连接，不同层次不同重要性的连接在推荐系统的帮助下不断建立，所主要依据的就是那些已经存在的连接，即：用户过去都点击阅读了哪些内容。

• 电商平台

用户刚买过什么，常买什么，正在浏览什么，这些都是用户和物品之间已经存在的连接，用这些连接去预测还会买什么，还会看什么也是推荐系统。

02

推荐系统分类

03

推荐系统架构

04

推荐系统基于内容推荐

■ 概念理解

    基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐机制，它的核心思想是根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。

■ 基于内容推荐机制的基本原理

    下图中给出了基于内容推荐的一个典型的例子：电影推荐系统。

    首先我们需要对电影的元数据有一个建模，这里只简的描述了一下电影的类型；然后通过电影的元数据发现电影间的相似度，因为类型都是“爱情,浪漫”电影A和C被认为是相似的电影(当然，只根据类型是不够的，要得到更好的推荐，我们还可以考虑电影的导演，演员等等)；最后实现推荐，对于用户A，他喜欢看电影A，那么系统就可以给他推荐类似的电影C。

■ 基于内容推荐存在的几个缺点

    这种基于内容的推荐机制的好处在于它能很好的建模用户的口味，能提供更加精确的推荐。但它也存在以下几个问题：

1. 某些物品的特征提取比较难，例如：图像、音乐、电影，如果提供这些物品的人没有提供元数据(例如风格、演员、导演、编剧等等)，自动提取特征比较不容易。

2. 过于专门化。永远不会推荐和用户曾经喜欢的物品不相干的物品，完全没有利用其他用户的喜好来提高对此用户的推荐质量。

3. 对于新用户有冷启动的问题。刚出现的用户的用户画像为空，无法做出推荐。

■ 如何处理冷启动

    冷启动在推荐系统中非常常见。在基于内容的推荐算法中，一旦一个新用户来了，由于他还没有购买任何的物品，所以无法给他推荐任何物品的。

1. 推荐目前热度最高的商品

2. 让用户自己标记一下自己喜欢的商品类型(APP新用户)

■ 基于内容推荐的举例

    在爱奇艺查看了战争类型的电影，系统就会给我推荐类似的战争电影。

■ 基于内容推荐的几个优势

    基于内容的推荐一般是推荐系统的起步阶段，而且会持续存在，它的重要性不可取代。因为：

1. 为某一用户做推荐的时候不需要使用其他用户的数据

2. 产品冷启动阶段，新的物品要被推荐出去，首选内容推荐

3. 可解释性好，产品的特征决定了推荐值

■ 基于内容推荐的应用场景

    基于内容推荐的方法特别适用于文本领域，比如新闻的推荐等等。核心在于把商品描述以及内容更好的利用起来。

■ 基于内容推荐的架构图