【】深度学习应对推荐系统，必须懂的3个层面( 二 )

下钻：从当前数据往下展开下一层数据。例如：（某数据的分类下面分为品名）从分类列表展开到品名列表。
上钻、下钻统称钻取。
切片：展现同一层面的数据。如上述的产品。
转轴：这些应该属于查询、展现范畴。
第二个层面：传统的推荐系统
传统的推荐系统，一般都是根据大量用户的活动所产生的大量信息，然后所产生的群体偏好再加以利用，比如某宝的商品推荐，热门视频，看了又看，相亲匹配等等。
寻找相同品味的人，然后根据最相似的他人喜好给出推荐就可以。这就是协同过滤（Collaborative Filtering ， CF）的基本想法了：借鉴相关人群的观点来进行推荐。这与KNN虽然大体一致，但实现下细微处差异还是很大的。
例如：传统推荐系统基于内容的推荐如下图

本文插图
【【】深度学习应对推荐系统，必须懂的3个层面】
用户A喜欢电影a ，电影a的类型属于爱情动作；用户B喜欢恐怖，悬疑，惊悚的B类电影b；用户C喜欢也喜欢恐怖，悬疑，惊悚的B类电影b；根据基于内容的推荐算法，会将电影c ，爱情、动作，剧情类电影推荐给用户A 。
小结，产品经理在传统的推荐系统中要懂如下三点：
（1）基于内容的推荐（Content Based ， CB），基于用户特征属性和item的特征之间的匹配程度来做推荐，推荐效果强依赖于特征工程的好坏。
好处是用户独立性，不需要协同考虑其他用户特征，这也意味着一个缺点就是可供我们分析的内容有限。
再一个好处是没与用户互动（评分、购买、加购物车等）过的新的item也可以被推荐。最大的缺点是过度特化，推荐的items没有创新性和惊喜。
（2）协同过滤（CF），利用的信息是用户和item之间的互动信息（多用的是用户评分矩阵）， CF在评分矩阵信息较为稠密的时候表现好于CB ，并且CF可以捕捉到一些复杂的难以表达的信息；在实际应用中CF经常会产生意外的惊喜的推荐，这一点也暗示着CF方法不适合做公共基金推荐等严肃的推荐任务（因为CF主要基于稀疏的、不完整的数据做推荐）；再一个CF存在冷启动问题。
（3）混合推荐方法， CF+CB
第三个层面：AI机器学习赋能的深度推荐系统
我们知道AI包含机器学习和深度学习，而深度学习是机器学习的特例。
推荐系统与深度学习，深度推荐系统现阶段的应用主要体现在如下三个层面：
（1）提升表征学习能力。深度神经网络的优势在于其强大的表征学习能力。因此，一种最直接的应用是，利用深度学习技术从复杂的内容数据中学习出有效的隐因子特征表示，从而后续可以很方便地为推荐系统所用。
深度协同过滤。经典的矩阵分解模型可以被描述为一种非常简单的神经网络。我们可以通过拓展其中的结构，引入更多的非线性单元来加强推荐模型的功能。

一方面，它弥补了两个隐向量的朴素点积操作不能区分各维度之间重要性差别的弱点；
另一方面，它额外引入了一个多层感知机模块，用来引入更多的非线性操作。除此之外，自动编码机、卷积神经网络、记忆网络、注意力网络等深度学习相关技术也分别被应用在改进传统的协同过滤模型中。

（2）特征间的深度交互。企业的推荐系统为了尽量提高模型的准确性，往往会使用丰富的甚至异构的内容数据。这些特征从不同的维度展现了不同的信息，而且特征间的组合通常是非常有意义的。传统的交叉特征是由工程师手动设计的，这有很大的局限性，成本很高，并且不能拓展到未曾出现过的交叉模式中。深度神经网络去自动学习高阶的特征交互模式，弥补人工特征工程带来的种种局限性。