4个方面总结个性化推荐系统（下）

二、推荐系统的冷启动问题

推荐系统的冷启动问题指的是，当推荐系统刚部署后，没有用户行为时或物品数据时，推荐系统并不能根据用户行为数据给用户推荐物品。一般分为用户冷启动、物品冷启动和系统冷启动。

通常有一些办法可以缓和冷启动问题

1.利用用户注册信息推荐：即获取用户的注册信息，然后对用户分类，给用户推荐他所属分类中可能感兴趣的物品。 将关联的查询结果按照一个权重相加，利用的用户信息越多，就能越精准地匹配用户兴趣。

2.给用户一些内容选择合适的物品启动用户的兴趣：选择一些热门的，有代表性、区分性、多样性的物品推荐给用户。

3.利用物品的内容信息推荐给用户：可以通过人工筛选出一些用户会感兴趣的物品推荐。

三、推荐系统的架构

如果一个系统中将各种用户行为、特征和任务都考虑进去，系统会非常复杂，难以配置。因此推荐系统需要由多个推荐引擎组成，每个推荐引擎负责一类特真和一种任务，而推荐系统只是将推荐引擎的结果按照一定权重或优先级合并、排序，然后返回。

这样的优势在于：每一个引擎代表了一种推荐策率，可通过对单一的引擎调整来优化推荐系统。

如何设计一个推荐引擎成了推荐系统设计的核心部分。

• 模块A：从数据库或缓存中拿到用户行为数据，通过分析不同行为，生成当前用户的特征向量。

• 模块B：将用户的特征向量通过特征-物品相关举证转换为初始推荐物品列表。

• 模块C：对初始的推荐列表进行过滤，排名等处理，生成最终的推荐结果。

生成用户特征向量：用户特征向量一般包括两种：

1. 从用户的注册信息提取，包括用户的人口统计学特征等，在推荐时直接拿到用户他恶政数据生成特征向量。

2. 从用户行为中计算出来

通过用户行为生成特征（需要考虑以下几点）：

• 用户行为的种类（用户会对物品产生很多种不同的行为）。

• 用户行为产生的时间（近期行为比较重要）。

• 用户行为的次数（一般行为次数多的物品权重越高）。

• 物品的热门程度（用户对很热门的物品产生行为可能是在跟风，推荐引擎在生成用户特征时会加重不热门物品对应特征的权重）。

特征-物品相关推荐：

• 在得到用户的特征向量后，根据离线的相关表得到初始化物品推荐表。

• 每个特征，在相关表中存储和它最相关的N个物品的ID。

• 一个推荐引擎可以在配置文件中配置很多相关表以及他们的权重，推荐系统启动后会将相关表按配置的权重相加，最终的相关表保存在内存中，给用户推荐时，已经是加权后的相关表了。

候选物品结合（保证推荐结果只包含候选物品集合中的物品）：

一般应用于产品需求，希望将某些物品推荐给用户。

过滤模块：

过滤掉不符合要求的物品，一般有以下几种

1. 用户已经产生过行为的物品（推荐的目的是帮助用户发现物品，因此没必要给用户推荐他已经知道过的物品，保证推荐结果的新颖性）。

2. 候选物品以外的物品，用户自己的选择等。

3. 质量差、评价低的物品。

排名模块：

1. 新颖性排名（对某些旧的但仍然热门的物品降权处理）。

2. 多样性

•     按照某物品内容属性分为几类，然后在每个类中都选择该类中排名最高的物品组合最终的推荐列表

•     控制不同的推荐结果的推荐理由出现的次数，推荐理由一般是产生推荐结果的重要特征，提高多样性需要让推荐结果尽量来自不同的特征，有不同的推荐理由。

时间多样性

• 实时推荐

• 记录用户之前的行为数据，在给用户新的推荐结果是降权

用户反馈（用户对推荐结果点击情况的反馈）。

四、推荐系统的度量

个性化推荐的核心还是推荐算法，依赖用户的行为数据，却决于定义的环境维度，不同维度下的算法的表现能力会不一样。

什么是好的推荐系统：

• 满足用户的需求，推荐给用户的是用户会感兴趣的内容。

• 满足所有的内容都被推荐给感兴趣的用户（衡量的指标为覆盖率）。

• 推荐系统本身搜集到高质量的用户反馈，能够对之进行不断的完善。

好的推荐系统不仅能预测用户的行为，能扩展用户的视野，帮助用户发现那些他们可能会买，但却不那么容易发现的东西，而非是本来就想要买的东西。

推荐系统的评价指标：

• 用户满意度

• 预测精准度

• 覆盖率

• 多样性

• 新颖性（不牺牲精度的情况下提高多样性，即新东西）

• 惊喜度（推荐结果和用户历史兴趣不相似，但却让用户满意）

• 信任度

• 实时性

• 健壮性（反作弊处理逻辑）

• 商业目标

推荐算法的考核指标：

• 准确率

• 召回率

• 流行度

• 覆盖率

推荐系统的测试方法：

1. 离线测试：通过用户行为数据形成数据集

2. 用户调查

3. 在线实验：Ａ／Ｂ测试（切分流量，将用户分成不同的层控制观察）