Milvus推荐系统应用

核心概念和联系

推荐系统：通过分析用户的行为和内容特征，为用户推荐个性化的内容或者商品，推荐系统可以根据不同的方法和算法，分为内容过滤、协同过滤等多种方式。

基于内容过滤推荐

内容过滤推荐根据用户的兴趣或历史行为，为用户推荐与其相似的内容，主要通过以下几个步骤：

1. 提取物品的特征向量：将物品（贷款产品）描述为一个特征向量，这些特征可以有产品简介、申请条件、贷款对象、贷款额度、贷款期限、贷款用途等等。
2. 提取用户的兴趣向量：收集用户信息，提取某些特征信息有用户年龄、用户贷款额度、用户贷款期限、用户户籍等等，计算用户兴趣的向量。
3. 计算相似度：使用相似度计算方法（如欧式距离、余弦相似度），计算用户兴趣向量和特征向量之间的相似度。
4. 推荐排序：根据相似度，对物品进行排序，将排名靠前的物品推荐给用户

内容过滤优点它可以根据用户的兴趣和反馈，提供个性化推荐。缺点是他无法捕捉用户隐含的喜好，因为用户可能不表明自己的喜好，或者对问题不敏感。

协同过滤推荐

协同过滤推荐根据用户的相似度，为用户推荐和他们相似的其他用户喜欢的物品，系统过滤分为两种类型：

1. 基于用户的协同过滤：根据用户之间的相似度，为用户推荐与他们相似的其他用户喜欢的物品。
2. 基于物品的协同过滤：根据物品之间的相似度，为用户推荐与他们喜欢的物品相似的其他物品。

协同过滤的优点是可以捕捉用户隐含的喜好，提供更准确的推荐。缺点是出现新物品或者冷启动场景下，新事物没有足够的评分，无法被推荐。冷启动问题指的是新用户或新物品出现在系统中时，无法立即为其提供个性化推荐。

混合推荐系统

混合推荐系统结合了内容过滤和协同过滤的优点，通过将两种推荐方法结合起来，提高推荐质量和准确性

背景介绍

最近开发了个基于大模型工作流的贷款智能客服的项目，某个节点需要根据收到的用户的信息，给用户推荐最合适的产品，考虑到没有足够的用户数据集数据，贷款产品信息可以从网上爬。本项目主要基于内容推荐。

基于内容推荐的优势：

项目起步阶段没有足够多的数据使用内容推荐比较常见的场景。

• 为某个用户做推荐的时候不需要使用其他用户资源（项目刚开始没找到足够多用户数据）
• 产品冷启动阶段，新的物品要被推荐出去
• 可解释性好，产品的特征决定了推荐值（产品特征越多，描述越细可能越容易被推荐）

如何处理冷启动

内容推荐算法中，一个新用户来了，由于它没有表明它的喜好，没法给他推荐任务物品。

• 推荐目前热度最高的商品
• 让用户自己描述自己喜好（推荐环节流转到信息收集环节），项目中用的此方式。

基于内容推荐的算法

推荐系统中，我们提取用户多维度的喜好标签和物品多维度的标签进行向量化进行存储，特征向量化常用稀疏向量模型（SPLADE）进行。另外也可以同时用稠密向量，使用混合检索，对查询的结果重排序权重稀疏向量大些。

设计流程

物品特征提取

具体提取哪些特征因物品而异。 本文测试的物品是贷款产品，具体特征源于收集用户的信息的特征（年龄要求、申请条件、贷款对象、贷款额度、贷款期限、贷款用途）,前期可以直接通过kimi提取想要的特征信息。

blog.csdn.net/weixin_4536…

作者：海边捡石子
链接：https://juejin.cn/post/7402137644372344844