传统推荐算法入门

传统推荐算法入门

背景

公司商城，需要在首页对用户推荐商品。 要求能对用户进行初级画像，商品进行特征提取。

调研

市面上算法很多，从传统算法和高级算法来看。

传统算法

• 流行度推荐算法
• 基于内容推荐算法
• 协同过滤推荐算法
• 混合算法

流行度推荐算法

原理

​ 根据流行度来推荐物品的算法

内容

• 物品的特征（分类）
• 物品使用数据

优点

• 算法简单，实现相对容易。
• 无需冷启动，有助于新用户。

缺点

• 需要标准化产品，进行分类等。
• 不会推荐新物品。
• 推荐列表一般不会有太大变动。

---

基于内容推荐算法 √

原理

​ 根据用户过去喜欢的物品，推荐相似的物品。

内容

• 物品的特征（分类）
• 物品使用数据

优点

• 无需冷启动。
• 最直观的算法，可以通过用户内容来提供解释。

缺点

• 过度专业化，推荐内容没有多样性。
• 推荐物品很难出现意外之喜。

---

协同过滤推荐算法

原理

​ 基于不同的偏好对用户进行群组划分并推荐品味相识的商品。人以类聚，物以群分。

内容

• 基于用户的协同过滤算法：
  • 用户的喜好
  • 相似的人群
  • 人群喜好的物品
• 基于物品的协同过滤算法：
  • 用户的喜好
  • 相似的物品

优点

• 不需要了解用户以及产品特征。
• 大多数情况结果都令人满意。
• 不要求对领域知识又太深的了解。

缺点

• 冷启动问题
• 对用户与物品的比例需求较高约1:10
• 会受流行度的影响（长尾表现不佳）
• 很难提供解释（为啥给用户推荐）

---

混合算法

大厂专用，多种推荐算法同时使用。这里特指传统的算法。

原理

​ 结合了协同过滤与基于内容过滤两种方式，以利用某个算法的优点解决另一个的缺点。

内容

• 物品的特征（分类）
• 物品使用数据
• 用户的喜好
• 相似的人群
• 相似的物品

优点

• 通常比单独的算法表现好
• 无冷启动问题
• 可实现多样化

缺点

• 不好平衡

---

高级算法

基于模型的推荐算法。

• 深度学习
• 学习拍拍
• 情景感知推荐
• 社会化学习
• …

最后

当一个推荐算法设计完成后，一般需要用查准率（precision），查全率（recall），点击率（CTR）、转化率（CVR）、停留时间等指标进行评价。

• 查准率（precision）：推荐给用户且用户喜欢的物品在推荐列表中的比重

• 查全率（recall）：推荐给用户且用户喜欢的物品在用户列表中的比重

• 点击率（CTR）：实际点击了的物品/推荐列表中所有的物品

• 转化率（CVR）：购买了的物品/实际点击了的物品