推荐系统（Recommender System)的技术基础
亚马逊的CEO Jeff Bezos曾经说过，他的梦想是“如果我有100万个用户，我就要为他们做100万个亚马逊网站”。智能推荐系统承载的就是这个梦想，即通过数据挖掘技术，为每一个用户实现个性化的推荐结果，让每个用户更便捷的获取信息。为了实现这个梦想，过去十余年间，无数顶尖技术专家和工程师投身于推荐算法和技术的研究与应用中，很多优秀的方法被提出，很多技术难题被攻克。在今天的互联网应用中，越来越多“聪明”的推荐系统被开发出来，并被广大用户信赖和使用。(转自《程序员》11期 作者：陈运文)
智能推荐系统充分运用了机器学习、数据挖掘、搜索引擎、自然语言处理等相关领域的技术。但推荐系统并不神秘，事实上，推荐在我们身边无处不在。对广大软件开发工程师们来说，能够投身于推荐系统的研发，是一件既有趣又充满挑战的工作。想要成功的开发一套效果良好的推荐系统，有一系列值得重视的关键点，文本对此进行了总结，具体列举如下。
1 充分运用显式\隐式反馈数据
数据是一切推荐系统的基础。良好的推荐效果一定是来自于丰富而准确的数据。这些数据既包括了用户（user）和待推荐物品（item）相关的基础信息（注：item和具体的推荐场景相关，可以是商品、影片、音乐、新闻等，如果是进行好友推荐，那么item也可以是user本身），另一方面，user和item之间在网站或应用中发生的用户行为和关系数据也非常重要。因为这些用户行为和关系数据能真实的反映每个用户的偏好和习惯。采集这些基础数据，并做好清洗和预处理，是整个推荐系统的基石。
用户行为数据，又可细分为两部分：显式反馈数据（explicit feedbacks）和隐式反馈（implicit feedbacks）数据。显式反馈是指能明确表达用户好恶的行为数据，例如用户对某商品的购买、收-藏、评分等数据。与之相反，隐式反馈数据是指无法直接体现用户偏好的行为，例如用户在网站中的点击、浏览、停留、跳转、关闭等行为。通过挖掘显式反馈数据能明确把握用户的偏好，但在很多应用中，显式反馈数据通常很稀疏，导致对用户偏好的挖掘无法深入。这个问题在一些刚上线的应用、或者偏冷门的物品或用户身上反映尤其明显。在这种情况下，用户的隐式反馈数据就显得尤为重要。因为虽然用户在网站中的点击等行为很庞杂，但其中蕴藏了大量信息。在2006-2008年间进行的国际著名推荐竞赛Netflix Prize中，冠军队成员Yehuda Koren发现将用户租用影片的记录，转换为特征向量注入奇异值分解算法（SVD）用于影响用户兴趣向量，能够很好的提高推荐准确率。
基础数据的预处理对推荐效果的提升也非常有帮助。以2012年的ACM KDD-Cup（国际数据挖掘竞赛）为例，训练样本中，负样本的数量居然达到了总样本数量的92.82%，但是通过仔细分析这些负样本，发现其中有大量样本存在噪音，通过一系列的Session分析和筛选方法，从中保留了11.2%的样本进行后续推荐挖掘，不仅成功提高了推荐精度，而且大大减少了运算量。所以充分利用各类显式和隐式数据，并做好数据的预处理，保证输入数据的质量，是第一个关键点。
2 多种方法的融合
经过多年的发展，很多种推荐算法被提出来。常见的推荐方法，从大类上分，有基于历史行为（Memory-based）的方法、基于模型（Model-based）的方法、基于内容（Content-based）方法等。在Memory-based方法这个方向，又可进一步细分为基于物品的协同过滤算法（item-based collaborative filtering）、基于用户的协同过滤算法（user-based collaborative filtering）、关联规则（association rule）等；Model-based方法常用的包括Random Walk、pLSA、SVD、SVD++等。每种方法在具体实施时，针对不同的问题又有很多不同的实现方案，例如在基于物品的协同过滤算法（item-based collaborative filtering）中，item之间相似度计算公式（Similarity）也可能有很多很多种变化。
在系统推荐的结果以外，还有一类传统的方式是通过专家进行推荐。这些专家可以是一些有经验的编辑，也可以是社区中意见领袖等。这些领域专家推荐的结果，在很多实际应用中，可以作为算法推荐结果的有益补充。
事实上，在实践中并没有任何一种方法在实践中始终占据压倒性的优势，它们各有千秋，分别有其各自合适的应用场景，因此因地制宜根据不同的场景，挑选不同的方法，并有机的结合起来，能让推荐效果得到极大的提升。常见的融合方法包括Restricted Boltzmann Machines（RBM）, Gradient Boosted Decision Trees（GBDT），Logistic Regression（LR）等，这方面历次推荐竞赛中有很多相关文章，可以看到为了提升推荐效果，将不同算法的结果能够取长补短，各自发挥价值，是极为有效的。
3 重视时间因素
用户的行为是存在很强的时间规律的。例如通常人们中午会吃饭、周末会休假、过年会回家团圆等等。用户在各个应用中的行为也同样有规律可以挖掘，用好时间这个特征，在很多推荐场景下，会对推荐效果的提升有很大的帮助。
用户行为日志中，行为发生的时间戳（timestamp）通常都会被记录。这个时间戳能从user和item两方面来进行分析。从user的角度来看：user的兴趣往往会随着时间不断变化，几年前的兴趣和当前的兴趣可能是不同的；另一方面，user的行为也存在一定的规律，例如工作日的行为是类似的，而在周末里user的行为也会变化，甚至在同一天中，上午和晚上的user行为和偏好也会有各种不同的规律。
从item的角度来看，流行度随着时间会有规律性的波动，通过持续挖掘user与item之间的行为在一段时间内的记录，往往能够发掘出这种规律，并进而用于指导我们预测user在后续某个时刻的行为，提高推荐的准确率。
时间因素的一些常见处理方案包括：1）在协同过滤计算user或者item相似度的公式中，增加时间因子，发挥相近时间的作用；2）将时间离散映射到自然月、周、日、小时等时间片中，并分别进行统计计算，并进而将累积的数据用于特定的回归模型（Regression models）中，指导结果预测；3）将时间作为线性连续变量，用于训练模型参数等。
4 特定推荐场景使用地域特征
有一些推荐场景是和用户所处地域密切相关的，尤其对一些LBS、O2O的应用来说，一旦离开地域这个特征，那么智能推荐的效果根本就无从谈起。例如当需要推荐一个餐馆时，如果不考虑用户当前所在的位置，那么即使某餐馆和当前用户的口味匹配度非常高，但远在天边，这个推荐也是毫无价值的。
目前推荐系统在地域特征的使用还停留在较为原始的状态，通常需要让用户手工筛选推荐结果所在的区域（如省、市、区、县等），或者指定若干半径范围内的结果。这种方式不仅操作繁琐，而且缺乏对地域信息的细致分析。例如地点A和B的地图直线距离虽然较远，但两点间有地铁直接往返，而另一地点C虽然地图直线距离A很近，但两点间需要绕行交通不便。另外从用户角度来说，每天活动的地域总是存在规律的，例如工作日白天，往往活动区域在工作地点附近，夜晚的时间会在家附近等。
在基于地理位置信息的应用中，需要更聪明的挖掘用户对地域的偏好（而且这种偏好往往和时间紧密联系），例如在基于用户的协同过滤中，将类似地域用户活跃用户的行为，作为推荐的依据，即认为活动地域相似的用户，可能存在一定相同的偏好。或者使用基于物品的协同过滤思想，在计算item之间相似度时引入地域特征。在Latent Factor Model中，将用户的活动地域作为隐式反馈来作用于用户特征向量等，都是可行的方案。
手机是进行基于地域信息推荐的最好载体，随着移动互联网应用越来越普及，期待未来有更多基于地域信息的推荐产品的问世。
5 SNS关系的使用
社交网络近年来得到了突飞猛进的发展，用户不再是单纯的内容接收者，而是能够主动的建立用户之间的关系。这些关系，可以划分为显式关系（explicit relations）和隐式关系（implicit relations）。显式关系指的是用户已明确建立的相关关系，例如在微博中关注/被关注某人等，或者在社区中加为好友等。而隐式关系指用户之间存在一些互动行为，但这些行为不能明确指示用户间的关系。例如用户在微博中点击、评论、转发另一个用户的帖子，如果在网络游戏世界中另一个玩家交谈，或者PK等。隐式关系虽然并不如显式关系那样明确，但比显式关系要丰富的多。所以在一些对推荐精度要求很高的应用场景下，显式关系需要发挥主要作用；而对一些需要提高推荐召回率和推荐结果多样性的场景下，尤其是当显式关系面临数据稀疏性的问题时（注：这个问题在推荐应用中普遍存在），充分利用隐式关系能起到非常好的效果。以今年的KDD-Cup竞赛为例，在腾讯微博的好友推荐系统上，我们通过在SVD++模型中增加隐式关系，处理数据稀疏性的问题，能够将推荐准确率提升5.5%
此外，移动互联网的普及，让SNS关系使用起来更加便捷，而且加上地域信息，产生了像微信这样新颖的移动应用，而SNS关系和地域特征的结合使用，一定会让推荐系统也产生出更受欢迎的结果。
6 缓解冷启动问题
冷启动是推荐系统最为悠久的一个问题，伴随推荐系统诞生至今。这是因为推荐系统效果提升的关键天然在于数据，而当新用户、或新物品等刚上线时，由于积累的数据极为稀少，大量方法在最初这段时间难以生效。
冷启动问题又可细分为user冷启动或者item的冷启动。user冷启动在一些场景普遍存在，例如在一些短视频网站，由于user没有登录浏览的习惯，因此大量来访用户都是陌生的cookie用户，如何对这些user进行推荐是至关重要的。常见的思路包括：1）采用热门推荐（排行榜）结果。虽然排行榜是一个看似简单的方法，但设计良好、的排行榜并不如想象中简单，排行榜如何计算，基于哪些统计特征，都是值得深究的。2）充分利用有限的用户信息来迅速捕捉偏好。例如用户的来源ip、访问时间、最初点击的几个结果的属性，都需要被充分运用。3）为新用户设置简单的口味测试，根据用户提交的答案主动收集用户偏好。常见的方案包括为提供一些预先精心设计的选项，通过用户的选择迅速建立用户模型。在设计选项时，一些注意点包括：A）必须要有代表性的选项；B）选项需要相对热门，或有一定的用户知名度；C）选项之间要有区分度。
item冷启动的问题在一些item频繁更新的应用中普遍存在，例如一些电子商务网站会不断上架新商品，这些新商品由于缺少点击，很难进行推荐。但基于内容的方法（content-based）往往此时能发挥关键作用。根据item的类别、标签、关键词等初始特征，能计算item之间的关联度。尽管很多对比评测表明，基于内容的推荐算法往往推荐精度不够高，但这种方法在处理item冷启动时有先天的优势，所以在工程实践中可以注意使用。
7 推荐结果的展现方式
推荐系统绝不仅仅局限于推荐算法和架构，而是一个完整的系统。其中推荐结果的展现方案是这个系统中极为重要的一环，开发一个推荐系统时，这个环节往往被工程师们忽略，但推荐结果最终呈现给用户的位置、提供哪些信息，往往起到举足轻重的作用。
这里需要注意的关键点包括：1）不同item的推荐，由于用户关注点不同，展现的方案也需要不同，要尽量凸显出用户的关注重点。例如推荐一个服饰时，缩略图对用户的点击意愿起到极为重要的作用；而推荐服务类商品时（例如旅游线路），天数、价格、是否优惠等信息，才是用户关注的重点；2）推荐展示的场景和位置，需要符合用户的行为习惯。求职社交网站LinkedIn的对比实验表明，在用户申请完一个工作的之前或之后分别展示推荐结果，前者的点击率是后者的10倍。在网页正中或右侧边栏放置推荐结果，点击率也相差5倍之多。
在展现方式中，另一个极为重要的方面是提供推荐理由。因为通过展现推荐理由，能够赢得用户的信任，进而让用户更容易接受推荐给他的结果。例如直接为A用户给出一个猜她喜欢的视频V，可能很难信任。但如果同时给出推荐理由：“和你口味相似的B和C都收-藏了该视频”，那么能很好的提升用户的信任感。另外，推荐理由本身也是对推荐结果的一个良好的补充描述。例如推荐一本小说，按传统方案只提供小说名称、封面，读者很难获取足够的信息，但如果提供推荐理由：“本周销售量最多”或者“起点白金作家XXX最新作品”，对提升推荐成功率有很大的帮助。
合适的推荐结果的展示方案，需要技术、产品、UI、UED等充分结合，对用户需求和用户心里有细致入微的把握，往往能起到事半功倍的效果。
8 明确优化目标和评估手段
开发一个初步可用的推荐系统并不难，难的是如何在原有推荐效果的基础上精益求精，更进一步。优化目标和评估手段的确定是解决这个问题的关键所在。首先需要确定系统的优化目标。例如有些推荐系统追求推荐结果的点击率；有些则还考虑点击后的实际转化或成交效果；有些推荐场景更关注推荐结果的新颖性，即希望更多的将本站新收录的物品展现给用户；另一些则更重视结果的多样性。
在推荐系统的目标明确后，随之而来的问题是，如何量化的评价这些推荐目标？传统的评分预测问题通常使用均方根误差（RMSE）或者平均绝对误差（MAE）等计算方法。但在实际应用中Top-N推荐更为常见，这种场景下NDCG(Normalized Discounted Cumulative Gain)或MAP（Mean Average Precision）是普遍使用的衡量方法。
由于推荐系统经常借鉴相关领域的一些技术，如广告学或搜索系统，因此计算广告学中的pCTR或者搜索系统的Precision-Recall曲线等也经常用于评估推荐效果的优劣。有些系统甚至直接将推荐系统转化为一个机器学习问题，评估手段也随之转化为对应问题的方法。
实际系统中，往往是多个指标（点击率、准确率、覆盖率、多样性、新颖性等）共同作用，并且按照产品的实际需求，加权折衷后进行结果评测。测试方法也有线上A/B Testing以及人工评测等。无论采用何种方法，一个成熟的推荐系统一定要建立在明确的优化目标和评测系统之上，它们像一把尺子，丈量着推荐系统每次前进的脚步。
9 时效性问题
正所谓“天下武功，唯快不破”，推荐系统要能及时捕捉用户需求的变化，反馈到模型中，并及时响应用户请求，实时提供在线服务。因为用户是挑剔的、也是缺乏耐心的，新用户尤其如此，如果一个推荐系统无法在较短的时间内调整结果以迎合用户，那么用户会迅速流失。
推荐系统的时效性首先体现在能灵敏捕捉用户反馈，这些反馈既包括正反馈（用户喜爱），也需要收集负反馈（用户不感兴趣的）。很多推荐系统往往忽略了负反馈样本的收集，而事实上，有效的收集用户的正负反馈，并进行对比训练，能够更全面准确的掌握用户偏好。
在用户反馈收集的基础上，还需要能够及时更新后台的推荐模型。很多推荐系统后端的用户模型和物品模型，都需要通过大量用户日志来进行挖掘运算，计算开销大，所以一个设计良好的推荐系统，需要将离线挖掘和在线服务系统进行有机的结合。离线系统可以设计得比较“厚”，即算法复杂，模型庞大，更新缓慢。而在线系统则倾向于设计得轻巧灵活，能及时将捕获的正负反馈信息传递进来，修改在线模型，捕获用户短期兴趣变化，从而快速修正推荐结果。
10 大数据挖掘和性能优化
大数据挖掘是近年来的研究热点，得益于分布式计算技术的广泛使用，系统吞吐的数据规模越来越大，离线数据挖掘的能力也越来越强，处理大量用户行为数据变得越来越便捷。但在推荐挖掘中，系统能够提供的运算能力和实际的运算需求之间，始终存在矛盾，所以如果有效合理的分配运算资源十分重要。这里需要在挖掘深度上进行合理的分配。对重点的用户或者item，可以分配更多的资源，进行更深入的挖掘。对基础数据也是如此，高质量的数据可以用于更详细的分析，而低价值的数据可能只需要简化处理流程。
后端的离线系统往往还需要定期更新模型，这里模型的全量或增量更新方式也是一个值得关注的点。以用户模型为例，并非所有用户的个性化模型都需要频繁更新，活跃的、高贡献值的用户，应该需要更频繁的予以更新。对item也类似，热门item和冷门item更新技术的周期可以不同。
在大数据推荐系统的性能优化方面，还有一些常用的技巧，例如倒排索引的使用，cache机制的充分运用等。
总结
智能推荐系统是一个系统工程，依赖数据、架构、算法、人机交互等环节的有机结合，形成合力。本文列举的十个关键点，是作者在开发推荐系统中积累的一些经验与心得，希望能抛砖引玉，与大家共同探讨。我们开发推荐系统的目标，是通过个性化数据挖掘技术，将“千人一面”变为“千人千面”，因为大千世界、芸芸众生，原本就是多姿多彩的，希望智能推荐系统能让这个世界变得更人性化、更丰富、更美好。
智能推荐系统充分运用了机器学习、数据挖掘、搜索引擎、自然语言处理等相关领域的技术。但推荐系统并不神秘，事实上，推荐在我们身边无处不在。对广大软件开发工程师们来说，能够投身于推荐系统的研发，是一件既有趣又充满挑战的工作。想要成功的开发一套效果良好的推荐系统，有一系列值得重视的关键点，文本对此进行了总结，具体列举如下。
1 充分运用显式\隐式反馈数据
数据是一切推荐系统的基础。良好的推荐效果一定是来自于丰富而准确的数据。这些数据既包括了用户（user）和待推荐物品（item）相关的基础信息（注：item和具体的推荐场景相关，可以是商品、影片、音乐、新闻等，如果是进行好友推荐，那么item也可以是user本身），另一方面，user和item之间在网站或应用中发生的用户行为和关系数据也非常重要。因为这些用户行为和关系数据能真实的反映每个用户的偏好和习惯。采集这些基础数据，并做好清洗和预处理，是整个推荐系统的基石。
用户行为数据，又可细分为两部分：显式反馈数据（explicit feedbacks）和隐式反馈（implicit feedbacks）数据。显式反馈是指能明确表达用户好恶的行为数据，例如用户对某商品的购买、收-藏、评分等数据。与之相反，隐式反馈数据是指无法直接体现用户偏好的行为，例如用户在网站中的点击、浏览、停留、跳转、关闭等行为。通过挖掘显式反馈数据能明确把握用户的偏好，但在很多应用中，显式反馈数据通常很稀疏，导致对用户偏好的挖掘无法深入。这个问题在一些刚上线的应用、或者偏冷门的物品或用户身上反映尤其明显。在这种情况下，用户的隐式反馈数据就显得尤为重要。因为虽然用户在网站中的点击等行为很庞杂，但其中蕴藏了大量信息。在2006-2008年间进行的国际著名推荐竞赛Netflix Prize中，冠军队成员Yehuda Koren发现将用户租用影片的记录，转换为特征向量注入奇异值分解算法（SVD）用于影响用户兴趣向量，能够很好的提高推荐准确率。
基础数据的预处理对推荐效果的提升也非常有帮助。以2012年的ACM KDD-Cup（国际数据挖掘竞赛）为例，训练样本中，负样本的数量居然达到了总样本数量的92.82%，但是通过仔细分析这些负样本，发现其中有大量样本存在噪音，通过一系列的Session分析和筛选方法，从中保留了11.2%的样本进行后续推荐挖掘，不仅成功提高了推荐精度，而且大大减少了运算量。所以充分利用各类显式和隐式数据，并做好数据的预处理，保证输入数据的质量，是第一个关键点。
2 多种方法的融合
经过多年的发展，很多种推荐算法被提出来。常见的推荐方法，从大类上分，有基于历史行为（Memory-based）的方法、基于模型（Model-based）的方法、基于内容（Content-based）方法等。在Memory-based方法这个方向，又可进一步细分为基于物品的协同过滤算法（item-based collaborative filtering）、基于用户的协同过滤算法（user-based collaborative filtering）、关联规则（association rule）等；Model-based方法常用的包括Random Walk、pLSA、SVD、SVD++等。每种方法在具体实施时，针对不同的问题又有很多不同的实现方案，例如在基于物品的协同过滤算法（item-based collaborative filtering）中，item之间相似度计算公式（Similarity）也可能有很多很多种变化。
在系统推荐的结果以外，还有一类传统的方式是通过专家进行推荐。这些专家可以是一些有经验的编辑，也可以是社区中意见领袖等。这些领域专家推荐的结果，在很多实际应用中，可以作为算法推荐结果的有益补充。
事实上，在实践中并没有任何一种方法在实践中始终占据压倒性的优势，它们各有千秋，分别有其各自合适的应用场景，因此因地制宜根据不同的场景，挑选不同的方法，并有机的结合起来，能让推荐效果得到极大的提升。常见的融合方法包括Restricted Boltzmann Machines（RBM）, Gradient Boosted Decision Trees（GBDT），Logistic Regression（LR）等，这方面历次推荐竞赛中有很多相关文章，可以看到为了提升推荐效果，将不同算法的结果能够取长补短，各自发挥价值，是极为有效的。
3 重视时间因素
用户的行为是存在很强的时间规律的。例如通常人们中午会吃饭、周末会休假、过年会回家团圆等等。用户在各个应用中的行为也同样有规律可以挖掘，用好时间这个特征，在很多推荐场景下，会对推荐效果的提升有很大的帮助。
用户行为日志中，行为发生的时间戳（timestamp）通常都会被记录。这个时间戳能从user和item两方面来进行分析。从user的角度来看：user的兴趣往往会随着时间不断变化，几年前的兴趣和当前的兴趣可能是不同的；另一方面，user的行为也存在一定的规律，例如工作日的行为是类似的，而在周末里user的行为也会变化，甚至在同一天中，上午和晚上的user行为和偏好也会有各种不同的规律。
从item的角度来看，流行度随着时间会有规律性的波动，通过持续挖掘user与item之间的行为在一段时间内的记录，往往能够发掘出这种规律，并进而用于指导我们预测user在后续某个时刻的行为，提高推荐的准确率。
时间因素的一些常见处理方案包括：1）在协同过滤计算user或者item相似度的公式中，增加时间因子，发挥相近时间的作用；2）将时间离散映射到自然月、周、日、小时等时间片中，并分别进行统计计算，并进而将累积的数据用于特定的回归模型（Regression models）中，指导结果预测；3）将时间作为线性连续变量，用于训练模型参数等。
4 特定推荐场景使用地域特征
有一些推荐场景是和用户所处地域密切相关的，尤其对一些LBS、O2O的应用来说，一旦离开地域这个特征，那么智能推荐的效果根本就无从谈起。例如当需要推荐一个餐馆时，如果不考虑用户当前所在的位置，那么即使某餐馆和当前用户的口味匹配度非常高，但远在天边，这个推荐也是毫无价值的。
目前推荐系统在地域特征的使用还停留在较为原始的状态，通常需要让用户手工筛选推荐结果所在的区域（如省、市、区、县等），或者指定若干半径范围内的结果。这种方式不仅操作繁琐，而且缺乏对地域信息的细致分析。例如地点A和B的地图直线距离虽然较远，但两点间有地铁直接往返，而另一地点C虽然地图直线距离A很近，但两点间需要绕行交通不便。另外从用户角度来说，每天活动的地域总是存在规律的，例如工作日白天，往往活动区域在工作地点附近，夜晚的时间会在家附近等。
在基于地理位置信息的应用中，需要更聪明的挖掘用户对地域的偏好（而且这种偏好往往和时间紧密联系），例如在基于用户的协同过滤中，将类似地域用户活跃用户的行为，作为推荐的依据，即认为活动地域相似的用户，可能存在一定相同的偏好。或者使用基于物品的协同过滤思想，在计算item之间相似度时引入地域特征。在Latent Factor Model中，将用户的活动地域作为隐式反馈来作用于用户特征向量等，都是可行的方案。
手机是进行基于地域信息推荐的最好载体，随着移动互联网应用越来越普及，期待未来有更多基于地域信息的推荐产品的问世。
5 SNS关系的使用
社交网络近年来得到了突飞猛进的发展，用户不再是单纯的内容接收者，而是能够主动的建立用户之间的关系。这些关系，可以划分为显式关系（explicit relations）和隐式关系（implicit relations）。显式关系指的是用户已明确建立的相关关系，例如在微博中关注/被关注某人等，或者在社区中加为好友等。而隐式关系指用户之间存在一些互动行为，但这些行为不能明确指示用户间的关系。例如用户在微博中点击、评论、转发另一个用户的帖子，如果在网络游戏世界中另一个玩家交谈，或者PK等。隐式关系虽然并不如显式关系那样明确，但比显式关系要丰富的多。所以在一些对推荐精度要求很高的应用场景下，显式关系需要发挥主要作用；而对一些需要提高推荐召回率和推荐结果多样性的场景下，尤其是当显式关系面临数据稀疏性的问题时（注：这个问题在推荐应用中普遍存在），充分利用隐式关系能起到非常好的效果。以今年的KDD-Cup竞赛为例，在腾讯微博的好友推荐系统上，我们通过在SVD++模型中增加隐式关系，处理数据稀疏性的问题，能够将推荐准确率提升5.5%
此外，移动互联网的普及，让SNS关系使用起来更加便捷，而且加上地域信息，产生了像微信这样新颖的移动应用，而SNS关系和地域特征的结合使用，一定会让推荐系统也产生出更受欢迎的结果。
6 缓解冷启动问题
冷启动是推荐系统最为悠久的一个问题，伴随推荐系统诞生至今。这是因为推荐系统效果提升的关键天然在于数据，而当新用户、或新物品等刚上线时，由于积累的数据极为稀少，大量方法在最初这段时间难以生效。
冷启动问题又可细分为user冷启动或者item的冷启动。user冷启动在一些场景普遍存在，例如在一些短视频网站，由于user没有登录浏览的习惯，因此大量来访用户都是陌生的cookie用户，如何对这些user进行推荐是至关重要的。常见的思路包括：1）采用热门推荐（排行榜）结果。虽然排行榜是一个看似简单的方法，但设计良好、的排行榜并不如想象中简单，排行榜如何计算，基于哪些统计特征，都是值得深究的。2）充分利用有限的用户信息来迅速捕捉偏好。例如用户的来源ip、访问时间、最初点击的几个结果的属性，都需要被充分运用。3）为新用户设置简单的口味测试，根据用户提交的答案主动收集用户偏好。常见的方案包括为提供一些预先精心设计的选项，通过用户的选择迅速建立用户模型。在设计选项时，一些注意点包括：A）必须要有代表性的选项；B）选项需要相对热门，或有一定的用户知名度；C）选项之间要有区分度。
item冷启动的问题在一些item频繁更新的应用中普遍存在，例如一些电子商务网站会不断上架新商品，这些新商品由于缺少点击，很难进行推荐。但基于内容的方法（content-based）往往此时能发挥关键作用。根据item的类别、标签、关键词等初始特征，能计算item之间的关联度。尽管很多对比评测表明，基于内容的推荐算法往往推荐精度不够高，但这种方法在处理item冷启动时有先天的优势，所以在工程实践中可以注意使用。
7 推荐结果的展现方式
推荐系统绝不仅仅局限于推荐算法和架构，而是一个完整的系统。其中推荐结果的展现方案是这个系统中极为重要的一环，开发一个推荐系统时，这个环节往往被工程师们忽略，但推荐结果最终呈现给用户的位置、提供哪些信息，往往起到举足轻重的作用。
这里需要注意的关键点包括：1）不同item的推荐，由于用户关注点不同，展现的方案也需要不同，要尽量凸显出用户的关注重点。例如推荐一个服饰时，缩略图对用户的点击意愿起到极为重要的作用；而推荐服务类商品时（例如旅游线路），天数、价格、是否优惠等信息，才是用户关注的重点；2）推荐展示的场景和位置，需要符合用户的行为习惯。求职社交网站LinkedIn的对比实验表明，在用户申请完一个工作的之前或之后分别展示推荐结果，前者的点击率是后者的10倍。在网页正中或右侧边栏放置推荐结果，点击率也相差5倍之多。
在展现方式中，另一个极为重要的方面是提供推荐理由。因为通过展现推荐理由，能够赢得用户的信任，进而让用户更容易接受推荐给他的结果。例如直接为A用户给出一个猜她喜欢的视频V，可能很难信任。但如果同时给出推荐理由：“和你口味相似的B和C都收-藏了该视频”，那么能很好的提升用户的信任感。另外，推荐理由本身也是对推荐结果的一个良好的补充描述。例如推荐一本小说，按传统方案只提供小说名称、封面，读者很难获取足够的信息，但如果提供推荐理由：“本周销售量最多”或者“起点白金作家XXX最新作品”，对提升推荐成功率有很大的帮助。
合适的推荐结果的展示方案，需要技术、产品、UI、UED等充分结合，对用户需求和用户心里有细致入微的把握，往往能起到事半功倍的效果。
8 明确优化目标和评估手段
开发一个初步可用的推荐系统并不难，难的是如何在原有推荐效果的基础上精益求精，更进一步。优化目标和评估手段的确定是解决这个问题的关键所在。首先需要确定系统的优化目标。例如有些推荐系统追求推荐结果的点击率；有些则还考虑点击后的实际转化或成交效果；有些推荐场景更关注推荐结果的新颖性，即希望更多的将本站新收录的物品展现给用户；另一些则更重视结果的多样性。
在推荐系统的目标明确后，随之而来的问题是，如何量化的评价这些推荐目标？传统的评分预测问题通常使用均方根误差（RMSE）或者平均绝对误差（MAE）等计算方法。但在实际应用中Top-N推荐更为常见，这种场景下NDCG(Normalized Discounted Cumulative Gain)或MAP（Mean Average Precision）是普遍使用的衡量方法。
由于推荐系统经常借鉴相关领域的一些技术，如广告学或搜索系统，因此计算广告学中的pCTR或者搜索系统的Precision-Recall曲线等也经常用于评估推荐效果的优劣。有些系统甚至直接将推荐系统转化为一个机器学习问题，评估手段也随之转化为对应问题的方法。
实际系统中，往往是多个指标（点击率、准确率、覆盖率、多样性、新颖性等）共同作用，并且按照产品的实际需求，加权折衷后进行结果评测。测试方法也有线上A/B Testing以及人工评测等。无论采用何种方法，一个成熟的推荐系统一定要建立在明确的优化目标和评测系统之上，它们像一把尺子，丈量着推荐系统每次前进的脚步。
9 时效性问题
正所谓“天下武功，唯快不破”，推荐系统要能及时捕捉用户需求的变化，反馈到模型中，并及时响应用户请求，实时提供在线服务。因为用户是挑剔的、也是缺乏耐心的，新用户尤其如此，如果一个推荐系统无法在较短的时间内调整结果以迎合用户，那么用户会迅速流失。
推荐系统的时效性首先体现在能灵敏捕捉用户反馈，这些反馈既包括正反馈（用户喜爱），也需要收集负反馈（用户不感兴趣的）。很多推荐系统往往忽略了负反馈样本的收集，而事实上，有效的收集用户的正负反馈，并进行对比训练，能够更全面准确的掌握用户偏好。
在用户反馈收集的基础上，还需要能够及时更新后台的推荐模型。很多推荐系统后端的用户模型和物品模型，都需要通过大量用户日志来进行挖掘运算，计算开销大，所以一个设计良好的推荐系统，需要将离线挖掘和在线服务系统进行有机的结合。离线系统可以设计得比较“厚”，即算法复杂，模型庞大，更新缓慢。而在线系统则倾向于设计得轻巧灵活，能及时将捕获的正负反馈信息传递进来，修改在线模型，捕获用户短期兴趣变化，从而快速修正推荐结果。
10 大数据挖掘和性能优化
大数据挖掘是近年来的研究热点，得益于分布式计算技术的广泛使用，系统吞吐的数据规模越来越大，离线数据挖掘的能力也越来越强，处理大量用户行为数据变得越来越便捷。但在推荐挖掘中，系统能够提供的运算能力和实际的运算需求之间，始终存在矛盾，所以如果有效合理的分配运算资源十分重要。这里需要在挖掘深度上进行合理的分配。对重点的用户或者item，可以分配更多的资源，进行更深入的挖掘。对基础数据也是如此，高质量的数据可以用于更详细的分析，而低价值的数据可能只需要简化处理流程。
后端的离线系统往往还需要定期更新模型，这里模型的全量或增量更新方式也是一个值得关注的点。以用户模型为例，并非所有用户的个性化模型都需要频繁更新，活跃的、高贡献值的用户，应该需要更频繁的予以更新。对item也类似，热门item和冷门item更新技术的周期可以不同。
在大数据推荐系统的性能优化方面，还有一些常用的技巧，例如倒排索引的使用，cache机制的充分运用等。
总结
智能推荐系统是一个系统工程，依赖数据、架构、算法、人机交互等环节的有机结合，形成合力。本文列举的十个关键点，是作者在开发推荐系统中积累的一些经验与心得，希望能抛砖引玉，与大家共同探讨。我们开发推荐系统的目标，是通过个性化数据挖掘技术，将“千人一面”变为“千人千面”，因为大千世界、芸芸众生，原本就是多姿多彩的，希望智能推荐系统能让这个世界变得更人性化、更丰富、更美好。