概述
上篇我们主要讲了,个性化推荐系统的一些概念和算法,有兴趣的同学可以了解下产品经理从0-1搭建个性化推荐系统(上),那下篇我们就主要针对新闻推荐系统做一个实践,为什么不讲商城的推荐系统呢?因为商城的网上讲解的比较多,其实总的原理也还是换汤不换药,只要知其然且知其所以然,说什么推荐系统你都能理解。
推荐模型设计
核心思想
-
按照基于物品的协同过滤推荐设计:当用户A喜欢文章a,且文章a和文章b相似,则认为用户A喜欢文章b。
1.1 计算用户A对文章a的喜爱度。
1.2 计算文章a和文章b的相似度。
用户A对文章b的喜好矩阵=用户A对文章a的喜好矩阵+物品a和文章b的相似度。 -
按照基于用户的协同过滤推荐设计:当用户A喜欢文章a,且用户A和用户B相似,则认为用户B喜欢文章a。
2.1 计算用户A对文章a的喜爱度
2.2 计算用户A和用户B的相似度
用户B对物品a的喜好矩阵=用户A对物品a的喜好矩阵+用户A和用户B的相似度。
实践设计
-
明确用户的喜爱特征的权重:
1.1 浏览:用户进入文章详情页后,在详情页停留的时长超过7S;
1.2 点赞:用户点赞过该文章,且未取消点赞;
1.3 转发:用户转发过该文章。
1.4 收藏:用户点击收藏按钮,收藏了文章,且未取消收藏; -
确定和构造判断矩阵
对上面矩阵进行归一、权重计算
一致性检验为:CR=0.02<0.1 一致性检验通过。
-
确定标准化指标,如下图:
-
构建用户对文章资讯的喜爱度矩阵L
-
构建文章与文章的相似度矩阵S
按照上一篇文章介绍的根据皮尔逊相关系数公式(两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商),可计算出多个物品之间的相似度:
计算出相似度矩阵:
-
预测用户i对文章j的喜好预测矩阵P
可得到用户i对文章j的评分预测P(i,j)。由此可得到一个推荐的排序文章列表,从而做到根据用户的行为来对预测表P做到更新,做好对用户的推荐。
结论
至此,我们已经完成了对用户文章推荐的系统的搭建,我们可以对后续的指标做到实时监控,随时根据需求及场景的变化对我们的推荐系统进行调整优化,也可以与其它类似基于用户的协同过滤推荐系统做好互补,或者与当前系统合并进行二次构建,总之是要推荐出符合用户的物品。