1. 推荐算法的初步理解

如果说互联网的目标就是连接一切，那么推荐系统的作用就是建立更加有效率的连接，推荐系统可以更有效率的连接用户与内容和服务，节约了大量的时间和成本。

1.1 推荐系统主要解决问题

任务一：挖掘长尾：帮助用户找到想要的物品（音乐、商品、新闻），挖掘长尾效应中的非流行市场。

我们在网上冲浪时，常常被大量的物品信息所淹没。从海量信息中找到自己想要的信息，实属不易（如面对淘宝各种各样的打折活动不知所措）。在经济学上，有一个经典的名词叫“长尾效应”，该效应的内容是：从人们需求的角度上看，大多数的需求会集中在某一小部分，而这部分我们可以称之为流行，而分布在剩余部分的需求是个性化的、零散的和小量的需求。这就意味着，有大量资源是鲜有人问津的，这不仅造成了资源利用上的浪费，也会使口味偏小众的用户被流行的内容所淹没。

任务二：降低信息过载

进入互联网时代后，信息量已处于爆炸的状态。如果把所有内容都展示出来，用户肯定无法全部接收，这必然会造成信息过载，信息的利用率将十分低下。因此就需要推荐系统来帮我们把低价值的信息给筛选掉。

任务三：提高站点的点击率、转化率

好的推荐系统总是能给用户推荐出想要的内容，让用户更频繁地访问站点，增强用户黏度。

任务四：加深对用户的了解，为用户提供个性化的定制服务

当系统成功推荐了一个用户感兴趣的内容后，我们对该用户的兴趣爱好就越清晰。当我们精准地描绘出每个用户的形象后（精准的用户画像），就可以为他们定制出一系列个性化的定制服务，让拥有各种各样需求的用户都能在我们平台上得到满足。

如果把推荐系统简单拆开来看，推荐系统主要是由数据、算法、架构三个方面组成。

数据提供了信息。数据储存了信息，包括用户与内容的属性，用户的行为偏好例如对新闻的点击、玩过的英雄、购买的物品等等。这些数据特征非常关键，甚至可以说它们决定了一个算法的上限。
算法提供了逻辑。数据通过不断的积累，存储了巨量的信息。在巨大的数据量与数据维度下，人已经无法通过人工策略进行分析干预，因此需要基于一套复杂的信息处理逻辑，基于逻辑返回推荐的内容或服务。
架构解放了双手。架构保证整个推荐自动化、实时性的运行。架构包含了接收用户请求，收集、处理，存储用户数据，推荐算法计算，返回推荐结果等。有了架构之后算法不再依赖于手动计算，可以进行实时化、自动化的运行。例如在淘宝推荐中，对于数据实时性的处理，就保证了用户在点击一个物品后，后续返回的推荐结果就可以立刻根据该点击而改变。一个推荐系统的实时性要求越高、访问量越大那么这个推荐系统的架构就会越复杂。

1.2推荐系统的整体框架

在这里插入图片描述
推荐的框架主要有以下几个模块

协议调度：请求的发送和结果的回传。在请求中，用户会发送自己的 ID，地理位置等信息。结果回传中会返回推荐系统给用户推荐的结果。
推荐算法：算法按照一定的逻辑为用户产生最终的推荐结果。不同的推荐算法基于不同的逻辑与数据运算过程。
消息队列：数据的上报与处理。根据用户的 ID，拉取例如用户的性别、之前的点击、收藏等用户信息。而用户在 APP 中产生的新行为，例如新的点击会储存在存储单元里面。
存储单元：不同的数据类型和用途会储存在不同的存储单元中，例如内容标签与内容的索引存储在 mysql 里，实时性数据存储在 redis 里，需要进行数据统计的数据存储在 TDW 里。

2.推荐系统

2.1 推荐算法流程介绍

推荐算法其实本质上是一种信息处理逻辑，当获取了用户与内容的信息之后，按照一定的逻辑处理信息后，产生推荐结果。热度排行榜就是最简单的一种推荐方法，它依赖的逻辑就是当一个内容被大多数用户喜欢，那大概率其他用户也会喜欢。但是基于粗放的推荐往往会不够精确，想要挖掘用户个性化的，小众化的兴趣，需要制定复杂的规则运算逻辑，并由机器完成。

推荐算法主要分为以下几步：

召回：当用户以及内容量比较大的时候，往往先通过召回策略，将百万量级的内容先缩小到百量级。
过滤：对于内容不可重复消费的领域，例如实时性比较强的新闻等，在用户已经曝光和点击后不会再推送到用户面前。
精排：对于召回并过滤后的内容进行排序，将百量级的内容并按照顺序推送。
混排：为避免内容越推越窄，将精排后的推荐结果进行一定修改，例如控制某一类型的频次。
- 强规则：根据业务规则进行修改，例如在活动时将某些文章置顶。

例如在抖音与快手的分发中：抖音强平台基于内容质量分发，快手轻平台基于社交和兴趣分发，抖音：内容质量>关系>双向互动。快手：内容质量约等于关系 > 双向互动。抖音基于将内容从小流量开始，其中表现优质的内容将不断的进入更大的流量池中，最终进入推荐池，形成 90 天+精品召回池，最终的结果也是优质内容的热度随着时间推移逐渐累积增加，头部内容的集中度很高。

在这里插入图片描述
来源：方正证券《抖音 vs 快手深度复盘与前瞻-短视频 130 页分析框架》

2.1.1 召回策略

召回的目的：当用户与内容的量级比较大，例如对百万量级的用户与内容计算概率，就会产生百万*百万量级的计算量。但同时，大量内容中真正的精品只是少数，对所有内容进行一次计算将非常的低效，会浪费大量的资源和时间。因此采用召回策略，例如热销召回，召回一段时间内最热门的 100 个内容，只需进行一次计算动作，就可以对所有用户应用。
召回的重要性：虽然精排模型一直是优化的重点，但召回模型也非常的重要，因为如果召回的内容不对，怎么精排都是错误的。
召回方法：召回的策略不应该是简单的策略堆砌，而应该是方法的相互补充。
- 热销召回：将一段时间内的热门内容召回。
- 协同召回：基于用户与用户行为的相似性推荐，可以很好的突破一定的限制，发现用户潜在的兴趣偏好。
- 标签召回：根据每个用户的行为，构建标签，并根据标签召回内容。
- 时间召回：将一段时间内最新的内容召回，在新闻视频等有时效性的领域常用。是常见的几种召回方法。

2.1.2 精排策略

精排模型的不同类别
在这里插入图片描述
精排模型的基本原理

2.2 常见推荐算法介绍

在这里插入图片描述
参考：Learning and Reasoning on Graph for Recommendation
http://staff.ustc.edu.cn/~hexn/slides/cikm19-tutorial-graph-rec.pdf

推荐算法大致可以分为以下几种类型：

基于流行度的算法
协同过滤算法（collaborative filtering）
基于内容的算法
基于模型的算法
混合算法
基于流行度的算法

专栏链接：https://blog.csdn.net/sinat_39620217/category_12205194.html

2.2.1 基于流行度的算法

基于流行度的算法非常简单粗暴，直接根据内容的PV（Page View，访问量）和UV（Unique Visitor，独立访客）等数据来进行热度排序来推荐给用户。常见场景有热歌榜、微博热门话题、知乎热榜等等。

这种类型的算法特点是简单，适用于刚注册不久的用户（冷启动）。但是其缺点也很明显，无法针对特定的用户进行个性化的推荐，也就意味着一百个读者只能读出同一个哈姆雷特。当然，也可以进一步对基于流行度的算法进行改进，使推荐内容拥有一定程度的个性化，例如加入用户分群特性，只把热榜上的体育新闻推荐给体育迷，只把热榜上的娱乐新闻推荐给喜欢看八卦新闻的用户。

2.2.2 协同过滤算法

协同过滤算法（Collaborative Filtering）是一种十分常用的算法，在很多购物平台中都会用到。协同过滤算法有两种类型，分别是基于用户（User）和基于物品（Item）的协同过滤算法。

a.基于用户的协同过滤算法

步骤一：获得每个用户对各个物品的评价或喜爱程度（可通过浏览、收藏和购买等记录来计算）。
步骤二：依据用户对物品的评价计算出所有用户之间的相似度。（也就是利用用户对所有物品的评价来形容用户）
步骤三：选出与当前用户最相似的K个用户。
步骤四：将这K个用户评价最高并且当前用户又没有浏览过的N个物品推荐给当前用户。

b.基于物品的协同过滤算法

步骤一：与基于用户的算法一样，获得获得每个用户对各个物品的评价或喜爱程度。
步骤二：依据用户对物品的评价计算出所有物品之间的相似度。（也就是用所有用户对物品的评价来形容物品）
步骤三：对于当前用户评价高的物品，找出与之相似度最高的N个物品。
步骤四：把这相似度最高的N个物品推荐给当前用户。

一个简单的基于用户的协同过滤算法例子。首先我们根据用户对物品的评价构建出一个用户和物品的关联矩阵，如下：
在这里插入图片描述
图中的行是不同的用户，列是不同的物品，单元格（x，y）的值则是x用户对y物品的评价（或喜爱程度）。我们可以把某一行视为某一个用户对所有物品偏好的向量，这样把用户向量化后，就可以计算出每两个用户之间的向量距离了，这里我们使用余弦相似度来作为向量距离。

在这里插入图片描述

在这里插入图片描述
如果我们要为用户1推荐物品，则需要找出与用户1相似度最高的K名用户（设K=2）评价的物品，并且去掉用户1已经评价过的物品，最后按照评价大小进行排序，推荐出N个物品（设N=2）给用户1。

同样地，接下来举一个简单的基于物品的协同过滤算法例子。

基于物品的计算方式大致相同，把用户和物品的关联矩阵中的某一列视为所有用户对该物品的评价，这样把物品向量化后，就可以计算出物品之间的相似度矩阵。

在这里插入图片描述计算出所有物品之间的相似度如下。

最后，如果我们要为用户1推荐物品，则需要先找到用户1评价最高的物品。然后找到与该物品相似度最高且用户1未有评价过的N（设N=2）个物品，将其推荐给用户1。

在这里插入图片描述

2.2.3 基于内容的算法

地位：最早被使用的推荐算法，年代久远，但当今仍然被广泛使用，效果良好
定义：给用户X推荐和之前喜欢过的物品相似的物品，即U2I2I，U2Tag2I

上面提到的两种算法看起来很好很强大，通过进一步改进也能克服各种缺陷。但是有一个问题是，如果我是《哈利波特》的粉丝，我曾经在商城买过一本《哈利波特与魔法石》。这时商城的书库又上架了一本《哈利波特与死亡圣器》，显然，我应该会很感兴趣。然而上面提到的算法这时候就都不太好使了，因此基于内容的推荐算法就因运而生了。

这里举一个简单的例子，现在系统里有一个用户和一条新闻。通过分析用户最近的行为（可以是该用户最近看过什么新闻）和新闻的文本内容，提取出数个关键字，
将这些关键字作为属性，也就可以把用户和新闻向量化：

接着计算向量距离，得出用户和该新闻的相似度，再根据相似度进行推荐。在向量化的时候，我们也可以进一步地改进。如，在为一名喜欢看英超联赛的足球迷推荐新闻时，如果有某一条新闻里存在体育、足球、英超关键词，显然前两个词都不如英超这个词来得准确。那么我们如何在系统里突显这种“重要性”呢？这时候我们可以不再简单地用0,1或者词频来进行向量化，而是为每个词都赋予权重。这个权重可以从整个新闻语料库中计算出来（如TF-IDF算法），在向量化时引入权重的影响，可以获得更准确的效果。
然而，又有一个问题出现了。要是用户的关键词是足球，而新闻的关键词是德甲、英超，那么按照上面方法计算出的相似度为0。显然这不符合常理，在此，我们引入主题聚类：
我们可以通过预训练好的Word2Vec对关键词进行表征，然后再聚类出多个主题，最后用主题代替关键词来向量化文本。这样，足球和德甲、英超等关键词就可以通过主题来关联在一起了。

基于内容的推荐算法能够很好地解决冷启动问题，同时也不会受热度的限制，因为它是直接基于内容进行匹配的。然而，它也会存在一些缺陷，如过度专业化（over-specialisation），该缺陷会一直给用户推荐内容相关的物品，而失去了推荐内容的多样性和让用户接触新内容的机会。

c.基于内容的推荐系统demo

专栏链接：https://blog.csdn.net/sinat_39620217/category_12205194.html

2.2.4 精排模型——逻辑回归为例

2.2.5 融合算法

实际上，现实世界的推荐系统往往都不会只用某一种算法来构建。一些比较大型的系统甚至会融合数十种算法。我们可以通过加权、变换、层叠等多种方法来综合不同算法的推荐结果，或者是在不同的计算环节（如召回，排序等）中运用不同的算法来混合，达到更贴合实际业务的需要。

2.3 算法衡量指标以及获得推荐效果

2.3.2 推荐效果评估

3.用户画像（提高推荐算法效果的大杀器）

3.1 原始数据

3.2 事实标签

3.3 模型标签

3.4 内容画像

专栏链接：https://blog.csdn.net/sinat_39620217/category_12205194.html

4.结巴分词用于内容相似推荐

计算物品最相似的其他物品，直接用于I2I相似推荐，或者U2I2I推荐

推荐系统[一]：超详细知识介绍，一份完整的入门指南，解答推荐系统相关算法流程、衡量指标和应用，以及如何使用jieba分词库进行相似推荐

1. 推荐算法的初步理解

1.1 推荐系统主要解决问题

1.2推荐系统的整体框架

2.推荐系统