笔者重读《推荐系统实践》，总结了其中要点，也阐述了自己的一些想法，分享给大家，供大家参考学习。

在这个信息过载的时代，个性化推荐系统是我们日常都会接触到的，最近因为要给小伙伴分享，重新过了一下《推荐系统实践》这本书的内容，也把其中一些要点整理分享出来。

首先来说说，为什么要有个性化推荐系统，主要是为了以下两点：

1. 解决信息过载问题；
2. 挖掘长尾物品/信息。

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。

推荐算法评估指标

• 准确率：准确率是针对预测结果而言的，表示给用户推荐的物品中，有多少是真正感兴趣的。
• 召回率：召回率是针对推荐的结果，它表示的是用户感兴趣的物品中，有多少个是系统推荐的。
• 覆盖率：反映了推荐算法挖掘长尾物品的能力，如果所有物品都至少推荐给了1个用户，则覆盖率为100%。
• 流行度：根据推荐物品的平均流行度进行度量，如果推荐物品的流行度都比较高，则物品新颖度比较低。

常用推荐算法

协同过滤算法是基于用户行为数据设计的推荐算法，其中主要包括三类算法：「基于领域的方法」、「隐语义模型」、「基于图的随机游走算法」，这里主要给大家介绍一下「基于领域的方法」，分为User CF和Item CF两种。

基于用户的协同过滤（User Collaborative Filtering）

User CF的基础逻辑是给用户推荐和他兴趣相似的其他用户喜欢的物品，步骤如下：

1. 找到和目标用户兴趣相似的用户集合；
2. 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

设有两个用户u和v，N(u)表示用户u曾经有过正反馈的物品集合，可通过以下方式计算两个用户的兴趣相似度：

Jaccard公式：

计算余弦相似度：

得到用户的兴趣相似度后，选择与用户兴趣最相似的K个用户，将他们的兴趣物品（并排除目标用户已反馈过的物品），推荐给目标用户。

算法缺点

• 随着网站用户数目越来越大，计算用户兴趣相似矩阵越来越困难；
• 运算时间复杂度和空间复杂度与用户数增长近似于平方关系。

因此，亚马逊推出了-item CF。

基于物品的协同过滤（Item Collaborative Filtering）

User CF的基础逻辑是给用户推荐和他之前喜欢的物品相似的物品，步骤如下：

1. 计算物品之间的相似度；
2. 根据物品的相似度和用户的历史行为给用户生成推荐列表。

通过计算喜欢物品 i 的用户中有多少也喜欢物品 j，来计算两个物品的相似度：

得到物品的相似度后，选择与其最相似的K个物品集合，推荐给目标用户。

User CF与Item CF算法的对比

推荐系统的评估维度

评估一个推荐系统的质量，需要综合多个维度进行评估，核心维度如下：

• 用户满意度：用户后续行为反馈，调研
• 预测准确度：准确度/召回率
• 覆盖率：对物品长尾的挖掘能力，注意马太效应的影响
• 多样性：用户兴趣类型分布
• 新颖性：排除用户历史反馈物品，排除热门物品
• 惊喜度：非用户历史兴趣，但是满意
• 信任度：透明度，推荐机制解释程度
• 实时性：是否可以针对用户行为实时进行反馈
• 健壮性：防攻击，反作弊
• 商业目标达成情况

冷启动

除了以上所述，搭建推荐系统，还需要考虑的一个重要问题就是“冷启动”，涉及冷启动的场景主要有以下三类：

1. 用户冷启动

一个新用户，没有任何历史行为数据，怎么做推荐。

2. 物品冷启动

一个新上线的物品，没有用户对它产生过行为，怎么推荐给感兴趣的用户。

3. 系统冷启动

一个新开发的网站，没有用户数据，怎么做个性化推荐。

根据系统的场景属性，可以设计不同的冷启动方式：

• 提供非个性化推荐；
• 利用用户注册信息如年龄性别等做粗颗粒度推荐；
• 利用用户社交关系；
• 新用户要求对一系列物品进行反馈；
• 对应新物品，利用内容属性推荐给相似物品感兴趣用户；
• 专家搭建多维度标签体系。

设计一个健全的推荐系统，算法和策略需要综合考虑多项因素，包括服务器、计算资源成本，人力成本，可持续性和可扩展性等。

高质量的推荐系统会使用户对系统产生依赖，因此，推荐系统不仅能为用户提供个性化服务，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。

希望我的梳理可以给到一些启发和参考。

本文由 @orca 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。