推荐系统学习笔记（1-5）

Posted 2021-12-15 bohu83

   因为受到通知，报名考试缴费后，前一阵有重拾起pmp，重做了两套题，谁知道疫情11.28的考试有推迟了。好好的考试 拖了2年了，还是看点别的吧。以下内容来自极客时间。

二  你需要推荐系统吗？

2.1  推荐系统能做什么？

   可以吧用户（user）与物品(item)的产生的连接提前找出来 。

2.2  推荐系统需要做什么？

  需要 从 已知的连接去 预测未来的连接。

2.3 怎么做？

机器推荐-个性化推荐；人工推荐-编辑推荐。

是否需要推荐系统？  

 工具类及链接数较少不需要。（长尾效应让推荐发挥作用）

还有其他非技术考虑因素：产品规划 ，技术人员储备等。

三 经典问题

   推荐系统的使命是为⽤户和物品建⽴连接，建⽴的⽅式是提前找出那些隐藏的连接呈现给⽤户，这是⼀个预测问题；所以推荐系统的预测问题模式，从达成的连接⽬标⻆度区分，有两⼤类：

评分预测、行为预测。

评分是显性的，评分一个指标 ：均⽅根误差（模型预测的分跟 用户实际分数）

行为 预测是隐性的 ，根据用户的行为历史数据 ，预测直接预测⾏为本身发⽣的概率，和预测物品的相对排序。指标：点击率ctr.

经典问题：冷启动 问题，探索问题，安全问题。

四  思维模式

4.1. 关键元素重要性的认识  

UI  UE》 数据》领域知识》算法

UI、UE、数据是⼀个产品的基⽯，要认识到重要性。在资源有限，精⼒很少的前提下抓⼤放⼩。

4.2 目标思维和不确定思维

     传统的软件产品追求的是稳定和满⾜预期，背后思想强调的是逻辑和因果链条，软件体验上设定好⾏为和响应，软件设计上强调分层以应对⽆⽐复杂的操作逻辑。

   反观推荐系统这种信息过滤系统，追求的是指标的增⻓，背后思想强调是⽬标和不确定性：

我们并不能很确定地模拟每个⼈将会看到什么，目标先行是常识。

我们把⼀个推荐系统也看做⼀个函数，输入是：UI、UE、数据、领域知识、算法等等，输出则是我们关注的指标：留存率 ，GMV等。我们做任何事情：加新的策略、替换现有的推荐算法、修改UI、甚⾄⼀些⽂案的调整，都是在改变这个函数的参数，是否有效就要看看函数的输出值，输出值在增⻓，说明修改就有效，就继续沿着那个⽅向修改，⼀旦⽆效或者起反作⽤就⽴即需要回滚。

    ⽬标思维背后是“量化⼀切”的价值取向。最先要量化的就是⽬标本身，整个团队才能知道在为什么⽽战，才能知道⾃⼰所做的动作是不是有意义，才能让团队⾃发地去寻找优化⽅向，接下来要量化的是所有的优化改进动作，要量化就要收集数据，数据收集对了才能得到正确的量化结果。

     除了目标思维 ，还有需要不确定思维 。不确定性思维就是：不⽤因果逻辑严丝合缝地提前推演，⽽是⽤概率的眼光去看结果。原因如下 ：

1.绝⼤多数推荐算法都是概率算法，因此本身就⽆法保证得到确切结果，只是概率上得到好的效果；

2.推荐系统追求的是⽬标的增⻓，⽽不是⼀城⼀池的得失；

3.如果去花时间为了⼀个Case⽽增加补丁，那么付出的成本和得到的收益将⼤打折扣； 

第 五章  用户画像

  没看本篇之前，我对这里有个 知识误区，以为之前看到的 带标签的常见的炫酷的，是用户画像。实际上大佬说的用户画像是对⽤户信息的向量化表示，给 机器看的而不是给人看的 。

⽤户画像的关键元素有哪些？

  维度、量化。⽤户画像是跟着使⽤效果⾛的，⽤户画像本身并不是⽬的，就是个副产品，回归到推荐系统本身，是建立用户与物品的 链接，推荐系统在对匹配评分前，则⾸先就要将⽤户和物品都向量化，这样才能进⾏计算。⽤户向量化后的结果，就是UserProfile，俗称“⽤户画像”。所以，⽤户画像不是推荐系统的⽬的，⽽是在构建推荐系统的过程中产⽣的⼀个关键环节的副产品。

  通常构建⽤户画像的⼿段有哪⼏类？

有三类，第⼀类只会查户⼝做记录，（包含数据 清洗，适合用户冷启动）

第⼆类就是从历史⾏为数据中去挖掘出标签，然后在标签维度上做数据统计

第三类就是⿊盒⼦看不懂（机器学习方法 ，可解释性差，但是 作用巨大）。