雷鋒網(wǎng)按：本文作者謝德福（微信號：beancurd191），9年以上互聯(lián)網(wǎng)從業(yè)經(jīng)驗，6年以上個性化推薦、大數(shù)據(jù)相關(guān)經(jīng)驗。畢業(yè)進入華為工作6年后，于2013年創(chuàng)業(yè)至今，專注于大數(shù)據(jù)技術(shù)在影視、文化、視頻、娛樂等領(lǐng)域的應(yīng)用。

前幾天傳言要被騰訊收購的今日頭條很多人應(yīng)該不陌生，我也是今日頭條的忠實用戶，為什么我覺得今日頭條做得比其他新聞/資訊客戶端要好，正是因為它展現(xiàn)給我的內(nèi)容都是我想看的，隨著我在上面的行為越來越多，它展現(xiàn)給我的內(nèi)容越準(zhǔn)確，今日頭條使用的最核心的技術(shù)就是個性化推薦技術(shù)。

隨著移動互聯(lián)網(wǎng)的興起，用戶的很多行為逐漸從PC端轉(zhuǎn)向移動端。人們花在手機上的時間越來越多。人們隨時隨地都在使用手機，在你坐車的時候、上廁所的時候、吃飯的時候，甚至在你走路的時候都在用手機。相對于PC端，移動端的特點是屏幕窄，用戶使用的時間呈現(xiàn)碎片化。同時隨著信息量越來越大，人們很難從大量的信息中快速找到自己想要的內(nèi)容。這個體驗是非常差的，如果你是產(chǎn)品經(jīng)理，如果你面臨同樣的問題，希望接下來要講的內(nèi)容對你有所幫助。

推薦引擎是什么？

如果你在亞馬遜上買過書，你可能會碰到這種情況，當(dāng)你選擇一本書放入購物籃時，它會自動給你推薦其它的書。比如：購買過該書的人還買過XXXX，猜你可能還喜歡XXXX，組合推薦，購買該書還有另外幾本書的組合可以享受一個優(yōu)惠的組合價格。這些使用的都是推薦系統(tǒng)，簡單來說推薦系統(tǒng)就是研究用戶在平臺上的所有行為，對用戶進行人物畫像，以及研究平臺上的內(nèi)容/產(chǎn)品。同時把用戶和產(chǎn)品匹配起來的過程。

推薦引擎的應(yīng)用范圍？

推薦系統(tǒng)在各個領(lǐng)域有廣泛的應(yīng)用，比如電商網(wǎng)站、視頻網(wǎng)站、視頻直播平臺、新聞客戶端、文學(xué)網(wǎng)站、音樂網(wǎng)站等等。下圖是推薦系統(tǒng)在著名電商網(wǎng)站、視頻網(wǎng)站的一些應(yīng)用案例及應(yīng)用效果。

為什么推薦系統(tǒng)能夠在各個領(lǐng)域得到廣泛應(yīng)用？

1、通過目錄或者搜索的方式查找想要的內(nèi)容，在移動終端較小的屏幕上可能需要多次翻屏，查找感興趣的內(nèi)容的成本很高，用戶體驗較差。

2、通過推薦系統(tǒng)展現(xiàn)給用戶的內(nèi)容，都是用戶感興趣的，而且每個用戶看到的都不一樣，亞馬遜的CEO貝佐斯說過，要讓1000個訪問亞馬遜的用戶看到1000個不同的亞馬遜。

3、目前用戶的選擇非常多，可選擇的多樣性及時間的碎片化，用戶打開手機，如沒能快速找到感興趣的內(nèi)容，很快就會離開。

4、個性化推薦技術(shù)通過算法進行用戶感興趣的內(nèi)容的精準(zhǔn)推薦，幫助用戶快捷發(fā)現(xiàn)感興趣的內(nèi)容，當(dāng)你看完一個內(nèi)容后，會立馬給你推薦相關(guān)的東西，可以增加用戶粘性。

5、幫助用戶發(fā)現(xiàn)更多優(yōu)質(zhì)的長尾內(nèi)容，一般平臺用戶訪問的只局限在熱門的10%左右的內(nèi)容，很多內(nèi)容永遠(yuǎn)沉在數(shù)據(jù)庫中沒有人發(fā)現(xiàn)。

6、幫助平衡平臺的生態(tài)，避免馬太效應(yīng)，熱門的內(nèi)容總是得到更多的爆光，冷門的內(nèi)容從沒機會被關(guān)注，使內(nèi)容生產(chǎn)生態(tài)兩極分化。

推薦系統(tǒng)的架構(gòu)和核心算法

下面以我之前做過的一個產(chǎn)品為例來講解，在架構(gòu)上，可能每家在做的時候會有些不同，但用到的一些核心算法，大家應(yīng)該是差不多的。具體怎么實現(xiàn)，產(chǎn)品經(jīng)理不需要關(guān)注這么細(xì)，只需要大概了解其中的原理就可以了。

推薦系統(tǒng)中常用到的算法包括用戶偏好算法、協(xié)同過濾算法（item_base，user_base）、關(guān)聯(lián)規(guī)則算法、聚類算法、內(nèi)容相似性算法（content_base）以及一些其它的補充算法。最終分析出來的結(jié)果是以下幾種：

1、根據(jù)用戶偏好算法算出來用戶感興趣的內(nèi)容/產(chǎn)品，然后推薦給用戶。

2、根據(jù)關(guān)聯(lián)規(guī)則算法，算出物品間的支持度和置信度。最常見的應(yīng)用是組合購買，啤酒和尿不濕是非常經(jīng)典的例子了。

3、item_base是根據(jù)集體用戶行為算出物品間的相似度，然后把與用戶看過的或者購買過的最相似的物品推薦給該用戶。

4、聚類算法可以根據(jù)用戶進行聚類，也可以對產(chǎn)品進行聚類。聚類后可以針對大類進行推薦，或者繼續(xù)計算用戶類和產(chǎn)品類之間的關(guān)系。

5、content_base是根據(jù)物品本身的屬性進行關(guān)聯(lián)性運算，計算出物品間的相似性，最常見的應(yīng)用是同類推薦。

6、user_base是根據(jù)集體行為計算用戶之間的相似度，比如A跟B計算出來非常相似，則可以把B喜歡的內(nèi)容，但A還沒有看過，推薦給A。

常用的應(yīng)用場景

首頁猜你喜歡推薦

由于移動端屏幕較小，一屏展現(xiàn)的內(nèi)容較少，用戶要找到自己感興趣的內(nèi)容需要一屏一屏往下翻，在這個地方展現(xiàn)個性化推薦的內(nèi)容，可以快速抓住用戶的眼球。

在發(fā)現(xiàn)欄目給用戶推薦感興趣的內(nèi)容，可以讓用戶獲得驚喜。

內(nèi)容詳情頁的關(guān)聯(lián)推薦/相關(guān)推薦：在內(nèi)容詳情頁可以給用戶推薦與當(dāng)前內(nèi)容相似的內(nèi)容。

閱讀結(jié)束/視頻播放結(jié)束/直播結(jié)束推薦：推薦與當(dāng)前內(nèi)容類似的內(nèi)容。

搜索頁面推薦：當(dāng)搜索無結(jié)果時，可以給用戶推薦其感興趣的內(nèi)容。

個性化推薦系統(tǒng)應(yīng)用中的幾個關(guān)鍵問題

個性化推薦系統(tǒng)是一個非常復(fù)雜的系統(tǒng)，其中不光涉及數(shù)據(jù)處理算法和系統(tǒng)架構(gòu)的靈活性問題，還涉及系統(tǒng)魯棒性，數(shù)據(jù)稀疏性問題、冷啟動問題、系統(tǒng)的精準(zhǔn)性和多樣性問題。

1、垃圾數(shù)據(jù)處理：對于系統(tǒng)產(chǎn)生的異常數(shù)據(jù)、垃圾數(shù)據(jù)需要業(yè)務(wù)特點制定一套清洗規(guī)則。

2、冷啟動問題：由于新用戶訪問時沒有數(shù)據(jù)沉淀，因此很難根據(jù)用戶行為進行推薦，目前比較普遍的方法是新用戶首次登錄時提供興趣標(biāo)簽引導(dǎo)頁面，引導(dǎo)用戶進行設(shè)置，同時結(jié)合其它推薦算法。另外一種比較理想的方法是使用用戶在其它平臺的社交數(shù)據(jù)。

3、數(shù)據(jù)稀疏性問題：可以使用聚類算法進行升維后運算，并結(jié)合其它算法進行組合推薦。

4、推薦結(jié)果精準(zhǔn)性和多樣性：通過多種算法進行組合推薦。確保推薦結(jié)果集的精準(zhǔn)性和多樣性。

以上是關(guān)于個性化推薦系統(tǒng)的一個基本知識，希望對大家有所幫助。

本文由人人都是產(chǎn)品經(jīng)理授權(quán)雷鋒網(wǎng)發(fā)布。未經(jīng)許可，禁止轉(zhuǎn)載！

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。