先來回顧一下互聯(lián)網(wǎng)誕生到目前為止，我們尋找信息的方式變化…
最早期的時候，信息是比較稀缺的，那個時候信息比較分散，尋找的效率也較低，主要是人找信息。
后來信息逐漸豐富起來了，有些人或者公司專門把各種信息聚集在一個地方，人們可以通過類目導航進行查找，典型的公司是三大門戶。
再后來信息量越來越大，人工添加的類目已經(jīng)不能覆蓋所有信息了，于是誕生了另外一種信息獲取方式——搜索，典型的公司是Google、百度。
再再后來，人與信息的關(guān)系從單向的人找信息演變成了現(xiàn)在的雙向關(guān)系，人找信息，同時信息也在找人，在談到信息找人的時候，就不得不提到推薦算法了。
本文會簡單的說明熱度算法、協(xié)同過濾、基于內(nèi)容的推薦和混合方法這幾種推薦算法…
鑒于主頁君對算法的了解并不是特別多，所以只是簡單的原理說明，不涉及到實操。
熱度算法
說到熱度算法有些人可能比較陌生，換個詞大家應該就知道了，那就是排行榜。
排行榜按照我們的理解就是一個榜單，按照某種規(guī)則給出1到N的排名，我們優(yōu)先去選擇榜單上排名比較靠前的東西。
熱度算法也是類似的原理，基于某些規(guī)則計算一個熱度分，然后取TopN。此外可能還會有一些人工干預的成分，比如加精、編輯推薦等等…
熱度算法的計算公式可以簡單的參考下面這個基礎(chǔ)公式：
熱度分=初始熱度分+用戶行為交互分-時間衰減分
其中初始熱度分又可以分為兩部分，一部分是基礎(chǔ)分值，一部分是加權(quán)或者降權(quán)。
基礎(chǔ)分值指的是本身計算出來的分值，以一篇文章為例，包含了作者信息、文章信息，那相關(guān)的元素就有作者等級、是否認證、歷史發(fā)文情況、歷史文章數(shù)據(jù)表現(xiàn)情況、文章長度、圖片數(shù)量、關(guān)鍵詞等…
基于上面這些相關(guān)元素，可以計算出一個基礎(chǔ)分值。然后再結(jié)合著一些加權(quán)或者降權(quán)處理就能計算出來一個初始的熱度分。
加權(quán)項可能有干貨類加權(quán)，新人投稿加權(quán)，運營干預加權(quán)等等，降權(quán)項可能包含XX過于熱門降權(quán)、包含XX關(guān)鍵詞降權(quán)、涉嫌抄襲降權(quán)等等…
計算出一個初始的熱度分之后，取TopN出來就可以推薦給用戶了。
用戶行為交互分指的是這個東西推薦給用戶之后的一些反饋，常見的反饋主要分為兩種，分別是正反饋和負反饋。
正反饋是常見的點擊、轉(zhuǎn)發(fā)、評論、收藏、贊，基于用戶的這些行為表現(xiàn)再對內(nèi)容重新進行分值計算，這里面各個行為的權(quán)重是不同的，具體權(quán)重需要結(jié)合業(yè)務屬性進行確定。
負反饋是用戶明確表現(xiàn)不來不喜歡推薦的行為，比如減少類似推薦，基于得到的負反饋信息，對分值進行一些減分處理。
時間衰減指的是分值會隨著時間進行衰減，避免舊內(nèi)容的熱度分一直很高，新內(nèi)容無法露出。一般會采用牛頓冷卻定律，說人話就是非線性衰減…
熱度算法大致就是上面說的這樣，比較容易實現(xiàn)，適合做冷啟動用，缺點是千人一面，沒辦法做個性化的分發(fā)，而且新內(nèi)容比較難露出。
協(xié)同過濾
協(xié)同過濾主要是通過計算人、物之間的相似性來進行推薦，主要包含人與人、物與物和人與物之間的相似性。
常見的協(xié)同過濾算法主要有基于人的協(xié)同過濾、基于物品的協(xié)同過濾和基于模型的協(xié)同過濾。
基于人的協(xié)同過濾
顧名思義就是通過計算人與人的相似度來進行物品推薦。
比如小A喜歡物品A、物品B，小B喜歡物品C、物品D和物品E，而小A和小B之間是有一定相似度的，所以就給小A推薦小B喜歡的物品C，可參考下面的示意圖。
基于人的協(xié)同過濾
這里面有兩個關(guān)鍵問題：
具體實現(xiàn)的步驟是：
基于人的協(xié)同過濾的優(yōu)點是能幫助用戶發(fā)現(xiàn)一些比較新鮮且可能會感興趣的東西，缺點是隨著用戶數(shù)量的增加，計算用戶之間興趣相似度的復雜度會急劇增加，而且對于新物品或者新用戶的推薦效果可能都不太好。
基于物品的協(xié)同過濾
顧名思義就是基于物品之間的相似度進行推薦。比如小A喜歡物品A和物品B，物品A和物品C之間有著一定的相似度，那就可以給小A推薦物品C，可參考下面的示意圖：
基于物品的協(xié)同過濾
這里面的關(guān)鍵問題也是兩個：
具體實現(xiàn)方式是：
需注意的是這里的相似度不是物品與物品之間的直接相似度，而是它們共同出現(xiàn)在多少用戶的興趣列表中。
比如喜歡物品A的用戶中，有多少用戶喜歡物品B，兩者之間的重復度越高，物品A和物品B的相似度越高。
基于人的協(xié)同過濾更多反應的是物品在小圈子里的歡迎程度，而基于物品的協(xié)同過濾則考慮了用戶的歷史行為，相對更個性化一些，但是在物品數(shù)量較多的時候，也會面臨物品之間相似度計算起來很復雜的問題。
基于模型的協(xié)同過濾
顧名思義就是基于一個模型來進行推薦，這里面用到的技術(shù)就比較多涉及到機器學習領(lǐng)域，比如關(guān)聯(lián)規(guī)則挖掘、聚類、SVD、RBM、圖模型等…(反正我也聽不懂)
按照個人的理解就是基于用戶和物品之間的感興趣程度，訓練出來一個黑盒模型，基于輸入和輸出的東西進行不斷的優(yōu)化迭代。
以0-1進行評估，1代表著用戶肯定會感興趣，0代表著用戶肯定不感興趣，這個模型就是計算用戶的感興趣程度，然后優(yōu)先給用戶推薦感興趣程度較高的東西，最后再結(jié)合著用戶的反饋來不斷優(yōu)化這個模型。
整體流程就是：
基于內(nèi)容的推薦
基于內(nèi)容的推薦就是基于內(nèi)容的推薦,主要是基于內(nèi)容之間的相似程度。
比如我看了A導演的B電影，其中有C主演，我表現(xiàn)的非常喜歡這部電影。
那理論上來說就可以給我推A導演的其他作品集，或者C主演參演的其他電影，以及B電影的系列電影或者題材類似的其他電影。
這個算法的優(yōu)點是便于冷啟動，而且能夠比較好的向用戶進行解釋，缺點是很難將不同的特征進行組合，比較難帶給用戶驚喜感，而且用戶的屬性挖掘不準的話推薦效果會比較差。
混合方法
顧名思義就是混合起來用，常見的策略主要包含加權(quán)、切換、分區(qū)和分層…
加權(quán)指的是利用線形的公式將幾種不同的推薦算法組合起來，給予不同的權(quán)重，比如A算法20%、B算法50%、C算法30%，然后再計算出一個最終推薦結(jié)果。
切換指的是在不同情況下用不同的推薦算法，比如冷啟動時用熱門算法，有了用戶行為和數(shù)據(jù)之后，再切換成其他算法。
分區(qū)指的是采用不同的推薦機制，將不同推薦結(jié)果分不同的區(qū)展示給用戶，比如對商品采用基于物品的協(xié)同過濾，對文章采用基于內(nèi)容的推薦。
分層指的是將一個推薦算法的結(jié)果作為另一個推薦算法的輸入，比如先用基于內(nèi)容的推薦算法生成一個候選集，然后再利用基于模型的協(xié)同過濾從這個候選集中選擇內(nèi)容…
One More Thing
首先想說的是關(guān)于推薦算法的效果衡量，有一大堆指標來進行衡量，有定性的，有定量的，參見下圖：
我沒有做過這些東西，沒辦法詳細展開，我們多看看上圖就好，在不少地方見到過這個評價體系。
聯(lián)系客服
