一文带你掌握推荐系统( 二 ) _推荐系统

这部分内容主要分为整体技术框架，推荐系统架构、推荐引擎架构这几部分。
它们依次为包含关系，推荐系统是整体技术框架中的一环，推荐引擎又是推荐系统的一环。
整体技术框架
下图为推荐系统的整体技术框架：

文章插图

从下往上依次为数据的生产、存储、候选集触发，融合过滤重排序。重排序之后就是输出的推荐结果，然后再供各业务调用，比如猜你喜欢，看了又看，买了又买…
推荐系统架构
整个推荐系统可以看作是一个加工厂，输入用户和物品数据，输出用户可能会感兴趣的物品清单，然后从物品清单中取前若干个作为推荐结果给到用户。
在这个过程中还需要做一些过滤，排序工作，输出结果的时候最好能让用户知道为什么推荐这个东西，这样用户的接受度会高一些。

文章插图

比如已经产生了一个用户可能感兴趣物品的Top100，之后需要把用户已经买过的东西过滤掉。
然后再基于用户的一些历史行为进行排序，比如经常看的东西权重高一些，很久之前看的东西权重低一些，最终排一个名次，再按照排序名次取前10个展示给用户。
要实现这个效果，就需要依赖于很多推荐引擎，简单理解就是会很多个推荐人，各自负责推荐一些候选结果。
推荐引擎架构
单个推荐引擎和整体推荐架构没什么特别大的差异，无非是推荐引擎先自己走一遍推荐流程，把输出的推荐结果作为新的输入部分，再走一遍推荐流程。
推荐引擎整体可以分为四部分，分别是用户特征、物品候选集、用户-物品匹配、过滤、融合和排序。

文章插图

用户特征部分做的事情主要是将用户的行为数据（点击、浏览、购买等）和属性数据（人口属性、用户关系、兴趣爱好等）转化为对应的特征，供用户-物品匹配部分利用。
物品候选集就是需要给用户匹配的物品，通常也需要转化为对应的物品特征。
有了物品特征和用户特征之后，需要做的就是生成用户-物品的初始化推荐列表。
再之后就是基于初始推荐列表的一些处理，过滤掉一些东西，按照用户的行为反馈、物品属性和一些产品策略再进行列表顺序的调整，生成最终的推荐结果。
通用推荐流程
上面主要是一些架构相关的东西，这部分主要是如何生成推荐结果。
理论上推荐流程可以分为挖掘》召回》排序这几部分。

文章插图

挖掘就是上面说的用户特征和物品特征的生成部分，这部分做好了，后面的推荐结果才会有好的效果。
召回就是从原始的数据集中基于种种策略先挑选一部分物品，这部分需要尽可能全的覆盖用户需求，通常会把十万甚至百万级的候选集过滤到数百量级。
排序就是针对召回的数百个物品进行更深层次的加工，优先选择若干个结果推荐给用户，通常数量在数十级。
以上是理论上的流程，然而实际上每个部分都比较复杂，而且也不仅仅只有一个模型，通常情况下都会有N多模型，不同的模型用到的可能是不同的算法和策略…

文章插图

常见的推荐算法
这部分主要是一些常见算法的简单介绍，篇幅有限不详细展开，之前写过一篇算法相关的文章，感兴趣的可以看一下。
产品经理必知的推荐算法二三事
基于流行度的推荐
其实就是我们通常说的热门，基于最高评分、最多购买、最多下载、最多观看等维度给用户进行推荐。
通常情况下可以作为冷启动策略或者兜底的策略，前者是用户刚进来没有任何信息和行为偏好的时候，后者是在其他算法没有推荐结果的时候作为替补策略。
通常情况下计算规则基本都符合下面这个公式：