专注APP运营推广与商业变现
  • APP图标 APP
    Android二维码
    扫码下载APP干货铺子
  • 注册 登录
  • 首页
  • 特邀专栏
  • 活动福利
  • 投稿合作
如何搭建一个推荐系统?

作者:AdBright · 2021-02-23

本文为AdBright知乎账号发表的“如何搭建一个推荐系统?”原创文章,内容来自AdBright广告技术团队成员,后续也将持续不定期分享。


以下为文章全文:


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,也是程序化广告算法的一部分。


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:

  • 解决信息过载问题

  • 挖掘长尾物品/信息


图片


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/信息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/信息。


图片

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。


图片

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。


1.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:

  • 找到和目标用户兴趣相似的用户集合

  • 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:

图片


计算余弦相似度:

图片


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。


图片


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。


2.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:

  • 计算物品之间的相似度;

  • 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:


图片


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。


图片


3.User CF与Item CF算法的对比

图片

图片

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


图片

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。


部分内容整理自《推荐系统实践》,如需了解更多推荐系统相关的知识,推荐品读原著,希望我的文章可以给到你一些启发和参考。


图片

*以上内容仅供参考,欢迎与AdBright交流,合作共赢


作者:AdBright

本文经授权发布,不代表APP干货铺子立场。如若转载请联系原作者。

原文链接如下:https://mp.weixin.qq.com/s/stLF2vqJ79DhWFMRbE3SRQ

    标签:

  • 推荐系统

    分享到:

下一篇文章:
  • 热门文章
  • 热门标签
  • 1 视频平台发力微短剧:内容机构鼓捣“软广告”?
  • 2 那些疫情期间流量暴增的APP,如今过得怎么样了?
  • 3 未来的搜索大战:生态能力成为胜负手
  • 4 《合成大西瓜》涉广告欺诈,N个“大西瓜”躺枪泪崩!
  • 5 入侵者与被入侵,腾讯音乐的新战争
  • 6 联动多方数据,焕活营销效能 | 一文了解超粉DMP
  • 7 2020年,休闲游戏赛道有哪些变化?
  • 8 阿成谈商业化:邻友圈 APP
  • 移动互联网
  • 运营
  • APP推广
  • 运营分析
  • 互联网+
  • 渠道推广
  • 用户运营
  • ASO
  • 移动APP
  • 渠道
  • 内容运营
  • 推广
  • App Store
  • APP营销
  • 电商
  • 商业化模式
  • 增值服务
  • 广告变现
  • 产品运营
  • 微博营销
  • 活动运营
  • 信息流广告
  • 社区运营
  • 游戏
  • 创业
  • 产品推广
  • 职场
  • 网红经济
  • 网红
  • 新媒体运营
  • 程序化广告
  • 直播
  • 广告技术
  • APP广告变现
  • 广告商业变现
  • 手游
  • 微信
  • 游戏运营
  • B站
  • 流量变现
  • 快手
  • 短视频
  • 广告投放
  • 新媒体
  • 腾讯
  • 活动
  • 抖音
  • 穿山甲
  • 用户画像
  • 买量
  • 运营推广
  • APP干货铺子
  • APP干货铺子
  • APP干货铺子
  • APP干货铺子
  • APP干货铺子
app干货铺子
APP干货铺子
APP干货铺子 APP干货铺子 老板娘微信:18938040424
app干货铺子

合作伙伴

  • AdBright皓量科技 |
  • 微思敦移动营销 |
  • 活动盒子 |
  • 鸟人网 |
  • App Growing |
  • 热云数据 |
  • 爱运营 |
  • 手游那点事 |
  • 诸葛io |
  • 微营销手册 |
  • 蝉大师 |
  • APP营 |
  • 量江湖ASM智投 |
  • 艾奇在线 |
  • 饮鹿网 |
  • 七麦数据 |
  • 运营狗 |
  • CC数据 |
  • 起点学院 |
  • 信息流雷达 |
  • 运营喵 |
  • 有米有站 |
  • 新媒体之家 |
  • 蜂库导航 |
  • 一只青蟹 |
  • easyAI知识库 |
  • PaaSoo国际短信 |
  • 小码助手 |
  • 闯奇科技CQASO |
  • CQADO信息流数据 |
  • 蝉妈妈抖音数据 |
  • 快出海 |
  • BigBigAds |
  • 鸟人笔记 |
  • 阿里巴巴国际站 |
  • 数字时代 |

联系我们

联系微信:18938040424

纯干货,喂饱你

订阅
微信公众号

微 信 公 众 号

Copyright © 2015- APP干货铺子 版权所有 京ICP备20017819号

您的报名信息已提交!
请等待工作人员的进一步通知

好的

欢迎报名

您的姓名:
请填写您的真实姓名(必填)
手机号码:
请填写您常用的手机号码(必填)
电子邮箱:
请填写您常用的电子邮箱(必填)
公司名称:
请填写您所在的公司名称(必填)
职位名称:
请填写您的职位名称(必填)
所 在 地:
请填写您的所在地(必填)
微博昵称:
请填写您的微博昵称(选填)
QQ 号码:
请填写您的QQ号码(选填)
微信:
请填写您的微信(选填)
提交
APP干货铺子
  • 首页
  • 特邀专栏
  • 活动福利
  • 投稿合作
如何搭建一个推荐系统?

AdBright · 2021-02-23

本文为AdBright知乎账号发表的“如何搭建一个推荐系统?”原创文章,内容来自AdBright广告技术团队成员,后续也将持续不定期分享。


以下为文章全文:


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,也是程序化广告算法的一部分。


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:

  • 解决信息过载问题

  • 挖掘长尾物品/信息


图片


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/信息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/信息。


图片

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。


图片

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。


1.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:

  • 找到和目标用户兴趣相似的用户集合

  • 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:

图片


计算余弦相似度:

图片


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。


图片


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。


2.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:

  • 计算物品之间的相似度;

  • 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:


图片


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。


图片


3.User CF与Item CF算法的对比

图片

图片

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


图片

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。


部分内容整理自《推荐系统实践》,如需了解更多推荐系统相关的知识,推荐品读原著,希望我的文章可以给到你一些启发和参考。


图片

*以上内容仅供参考,欢迎与AdBright交流,合作共赢


作者:AdBright

本文经授权发布,不代表APP干货铺子立场。如若转载请联系原作者。

原文链接如下:https://mp.weixin.qq.com/s/stLF2vqJ79DhWFMRbE3SRQ

    标签:

  • 推荐系统

    分享到:

APP干货铺子作者 AdBright AdBright-皓量科技作为中国领... 75篇

纯干货,喂饱你

订阅

合作伙伴

  • AdBright皓量科技 |
  • 微思敦移动营销 |
  • 活动盒子 |
  • 鸟人网 |
  • App Growing |
  • 热云数据 |
  • 爱运营 |
  • 手游那点事 |
  • 诸葛io |
  • 微营销手册 |
  • 蝉大师 |
  • APP营 |
  • 量江湖ASM智投 |
  • 艾奇在线 |
  • 饮鹿网 |
  • 七麦数据 |
  • 运营狗 |
  • CC数据 |
  • 起点学院 |
  • 信息流雷达 |
  • 运营喵 |
  • 有米有站 |
  • 新媒体之家 |
  • 蜂库导航 |
  • 一只青蟹 |
  • easyAI知识库 |
  • PaaSoo国际短信 |
  • 小码助手 |
  • 闯奇科技CQASO |
  • CQADO信息流数据 |
  • 蝉妈妈抖音数据 |
  • 快出海 |
  • BigBigAds |
  • 鸟人笔记 |
  • 阿里巴巴国际站 |
  • 数字时代 |

联系我们

联系微信:18938040424

Copyright © 2015- APP干货铺子 版权所有
京ICP备20017819号

您的报名信息已提交!请等待工作人员的进一步通知

您的报名信息已提交!
请等待工作人员的进一步通知

好的
APP干货铺子
APP 干货铺子
专注APP运营推广与商业变现
免费下载
APP 干货铺子