自1992年,施乐的帕拉奥图研究中心(PARC,PARC有很多创造性的发明,比如打印机,鼠标,操作系统图形界面等)发明了基于协同过滤的推荐系统1后,后面比较出名的工业界应用就是亚马逊的UCF,Netflix的推荐系统等,进入到深度学习后,推荐系统基本在做电商、资讯、视频的公司里都开启了大规模的应用。在PC互联网时代,主线是 “人找信息”,所以搜索引擎的地位如日中天,进入到移动互联网时代后,大量的信息井喷,由此开启了 “信息找人”。所以推荐和搜索之间的关系,可以简单的理解:推荐是无query的搜索。 这篇博客主要介绍一下推荐系统的整体架构以及一些个人认为挺优秀的资料书籍。
一、什么是推荐系统
推荐系统是信息过载所采用的措施,面对海量的数据信息,从中快速推荐出符合用户特点的物品。特别对于一些有“选择恐惧症”、没有明确需求的人。
信息消费者:如何从大量信息中找到自己感兴趣的信息是一件很困难的事。
信息生产者:如何让自己生产的信息脱颖而出,收到大众的喜爱,也是一件很困难的事情。
1、推荐系统的目的
- 互联网时代,信息量庞大,对于信息处理能力有限的个体来讲,导致信息过载,个体很难从海量的信息中搜寻到有价值的信息。
- 推荐系统是信息过载所采用的措施,面对海量的数据信息,从中快速推荐出符合用户特点的物品,降低用户的搜寻成本。
- 解决一些人的“选择恐惧症”,以及没有明确需求的人。
- 好的推荐系统能够让用户更快更好的获取自己需要的物品或内容。
- 让网站(平台)更有效的保留用户资源。
2、推荐系统的基本思想
- 知你所想,精准推送。利用用户和物品的特征信息,给用户推荐那些具有用户喜欢的特征物品。
- 物以类聚。利用用户喜欢过的物品,给用户推荐与他喜欢过的物品相似的物品。
- 人以群分。利用和用户相似的其他用户,给用户推荐那些和他们兴趣爱好相似的其他用户喜欢的物品。
3、推荐系统的数据分析
- 要推荐物品或内容的元数据,例如关键字、分类标签、特征描述等
- 系统用户的基本信息,例如性别、年龄、兴趣标签等。
- 用户的行为数据,可以转化为对物品或信息的偏好,根据应用本身的不同,可能包括用户对物品的评分,用户查看物品的记录,用户的购买记录等。这些用户的偏好信息可以分为两类:
- 显示的用户反馈:这类是用户在网站上自然浏览或者使用网站以外,显式的提供反馈信息,例如用户