产品学习之——《推荐系统实践》项亮著

《推荐系统实践》学习总结

目前，市场上的推荐系统被大部分的互联网app产品所应用，前提条件是该产品的信息量较大，存在信息过载；而按照app类型将推荐系统做一个分类，可以大致分为电商类、电影和视频类、个性化电台、社交类、基于地理位置服务类、个性化邮件、个性化广告等，每个类别的推荐系统都是根据产品特性进行的个性化定制处理，无通用的推荐系统模板。

一、推荐系统的整体交互架构

以网站为例，网站的UI系统负责展示网页并与用户产生交互行为，通过日志系统将用户在UI上的各种行为记录在用户行为日志中，日志可存储在内存缓存/数据库/文件系统中，推荐系统通过分析用户的行为日志，给用户生成推荐列表，最终展示在网站的界面上。

二、建立用户行为日志存储系统

建立推荐系统的关键是对用户行为的记录与分析，这就涉及到了用户行为数据，以及数据的收集和存储。还是以电商网站为例，下表为一个电商网站的用户行为简析：

如表所示，只有建立了用户行为的数据存储，才能够高效的进行数据分析，建立“用户-物品-特征”的关联性，为下一步构建推荐系统提供依据（本步骤中的关键点在于大量的数据能否实时存取，以及根据设定的规则，对存取的数据进行过滤等）。

三、推荐系统的架构

如上图所示，这是一个典型的推荐系统架构，其中：

（1）部分A负责从数据库或缓存中拿到用户行为数据，通过分析不同行为，产生当前用户的特征向量，该模块的输出是用户特征向量；

（2）部分B负责将用户的特征向量通过特征-物品相关矩阵转化为初始推荐物品列表；

（3）部分C负责对初始的推荐列表进行过滤排名等处理，从而生成最终的推荐结果。

四、构建一个推荐系统

根据产品特征而使用不同的算法来构建推荐系统，大致可分为：根据用户行为数据的协同过滤算法、利用用户标签数据的算法、利用上下文的推荐算法、基于位置的推荐算法以及利用社交网络数据的推荐算法等。以下只针对前两个算法对于推荐系统的构建进行了流程步骤的解析，后面的算法由于不符合我们产品的特性不做介绍。

1.根据用户行为数据的协同过滤算法

此算法是根据电商类app产品“亚马逊”的流程进行的整理，由于是电商产品，对二手超市的商品推荐有一定的借鉴意义。它的本质是记录用户行为数据，然后根据用户行为特征，形成行为数据类别，最后根据“用户与用户的相似度”，给用户推荐和他兴趣相似的其他用户喜欢的物品，或根据“物品与物品的相似度”，给用户推荐和他之前喜欢物品相似的物品。详情流程见下表：

2.利用用户标签数据的算法

此算法是根据豆瓣app“豆瓣读书”的推荐流程进行的整理。它的本质是记录用户标签行为的数据，统计用户常用的标签，统计每个标签对应的物品，建立“用户-物品-标签”的关联性”，然后匹配单个用户的常用标签，最后再根据用户对物品的兴趣公式，给用户推荐相应的物品。详情流程见下表：

综上，我是为了自己要设计推荐功能而去学习了这本书，选择总结等两种算法也是我自己产品适用的，看这本书一周写的总结，可能也有不对的地方，欢迎前辈们纠正，谢谢！