内容分发平台个性化推荐系统经验简单总结

推荐在电商和互联网应用中已经应用的非常广泛，相比于根据query进行主动的搜索，推荐是更加被动的由系统自动推出商品给用户。搜索的意图比较明显，直接由query给出，而推荐需要计算猜测用户的意图，根据用户历史数据和当前行为，基于各种模型推荐合适的商品，提升用户体验，提高转化率。不过近些年来，搜索和推荐在底层模型和技术方面越来越趋于融合，利用机器学习的方式来改进搜索和推荐的质量，像搜索排序LTR等等。

推荐系统需要考虑用户、平台、内容提供方之间的共赢，推荐系统可以增加长尾销售能力，增加用户粘性和提高用户体验，提高转化率以及商业收入。

先说一下在我们应用内容分发平台中几种推荐算法：

基于内容Content-based的推荐，在内容分发平台中，利用用户画像中的用户-分类兴趣和分类-应用的矩阵向量进行乘法操作，得出应用打分排名进行推荐，用于解决应用的冷启动和用户行为数据稀疏问题。这种方式问题在于，对于物品对应分类比重需要人工的来进行指定，存在人为方面的因素，很难把控，在推荐的精度方面存在问题。

人工对应于的分类进行标注，难免有缺陷，对应用的内容主题相似度建模，为用户推荐和之前有过行为的应用的主题相似的应用。

在内容推荐中，还有一种是对应用进行打标签Tag，结合用户画像中的标签，通过内容的匹配算法，推荐应用给用户。

基于协同过滤的推荐，为了增加应用推荐的新颖性，利用用户的历史行为数据，进行基于Item的协同过滤推荐，该推荐算法需要离