算法思想为什么重要，通过IMDB学习算法的设计思路

阅读本文大约需要2分钟

截至2018年，IMDB（互联网电影数据库）已收录电影470+万，该平台有一个特色的top250电影排名。为了保证排名的权威性，确保用户对平台的信任度，IMDB在推荐机制上花了不少精力。作为产品/项目经理，你是否有考虑过如何保证产品的权威性，增强用户粘度？现在开始，不妨将智能化的推荐机制加入到你的产品/项目中。

 

XX年XX月XX日  IMDB Top10电影：

 

IMDB Top250的排名算法（贝叶斯平均算法）结合了贝叶斯分类算法和加权平均的思想。其实简单剖析下，你就明白其中的原理：

1）平均分：有v个人对一部电影打分，那么通常会用平均分来排名：

平均分R=(X1+X2+...+Xv) / v

2）避免恶意打分：平均分有一个很大的问题，如果只有一个或很少的人打分，比如我看了这部电影打了10分或0分，难道能说明这部电影就是好片或烂片吗？因此，IMDB引入了一个绝对投票数m的概念（IMDB定义为前10部电影的投票数）来稀释只有少数人打分的偏见，公示变为：

电影评分S = (X1+X2+...+Xv) / (v+m) = v*R/(v+m)

3）解决受众面问题：像好多文艺片，受众面比较小，分母增加m必定会拉低他们的分数，在分子中也应该加上m。IMDB又引入了一个所有电影平均分C，作为m的分数，公式最终如下：

电影最终评分WR = (v*R+m*C) / (v+m)

 

如何将算法应用到系统呢？

1、首先需要获取数据库中的用户评分和项目内容的矩阵；

2、按照推荐算法的公式，计算得到相关的数据并存储在数据库中；

3、然后预测分数的结果并将结果存储在数据库中；

4、最后给出推荐的评价标准，并且评估推荐算法的结果。

 

涨知识的推荐算法里程碑：

1、IMDB（互联网电影数据库）在其top250中应用贝叶斯平均算法得到加权分，向用户推荐加权分最高的250部电影[1]。

2、1992年，Tapestry系统应用协同过滤算法帮助员工处理电子邮件，加快了员工的工作效率，该系统也是协同过滤推荐算法最初的运用；

3、1994年，GroupLens系统开创了协同过滤推荐算法的里程碑，帮助观众过滤处理新闻的内容，这是如今各种推荐系统的雏形[2]。

4、2013年，谷歌因YouTube上的个性化视频推荐赢得了NATAS颁发的“技术与工程艾美奖”，推荐算法应该说是YouTube拥有的最有价值的资产。

 

有没有学到新知识？请将知识收为已用。