如何搭建一个推荐系统？-专注APP运营推广与商业变现

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

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。

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：

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。

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：

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。

3.User CF与Item CF算法的对比

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。

*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

下一篇文章：