推荐系统实战-概念理解入门篇

最近组内需要对一款涂色游戏上推荐系统，需要学习相关内容，做一个记录供其他同学参考。学习内容主要涉及极客时间刑无刀的《推荐系统36式》。因本人工作内容偏后台，所以本专题内容主要会是推荐系统的理解和推荐系统工程落地的内容，不涉及推荐算法

什么是推荐系统

推荐系统就是把用户（User）和物品（Item）之间产生的连接提前找出来。例如淘宝、今日头条的个性化推荐，已经作为产品必不可少的一个feature。推荐就等于预测，利用用户和item之间已有的连接，去预测用户还可能会对哪些item感兴趣。item在facebook中是指人，预测用户可能认识的人，在淘宝中是指商品，预测用户可能感兴趣的商品。中文中使用物品一词感觉不太恰当。推荐系统达到的最佳效果只是提前将用户可能感兴趣的item提前展现给用户，并不能让用户对推荐的item产生兴趣。

什么是连接/item

1. 连接：凡是能够产生关系的都是连接，比如用户对物品做出了一个行为（点击， 喜欢， 收藏， 播放， 关注），或者用户的某些属性和物品的属性一样等等，有关系就是连接。连接是一个抽象的内容，但互联网产品中的实际体现比较多，应该好理解

2. item： item可能是人、资讯、消费品、服务等，跟用户发生”连接“的统称为item。推荐系统就是要在这张巨大的网中，不断去发现那些很可能会和人发生连接的另一类物品节点，让用户提早建立连接，因为用户的注意力是很容易衰减的。推荐系统只能做到提早

推荐系统分类

人工推荐

传统的编辑推荐，一个是靠个人判断，个人主观性太强。二是不能发挥“长尾理论"，现代互联网产品要么就是靠量，站在风口。要么就是让产品下沉到用户，做到千人千面，更好的服务不同的用户，也方便融资

可搜索亚马逊 + 长尾理论

机器推荐

机器推荐就是通过算法，利用已有用户的已有连接，去预测新的连接。已有连接数据的获取主要有两种，一个是评分系统，二个记录用户行为。在个人使用互联网产品的体验中，评分数据的获取一个是数据比较稀疏，要么打0分发泄一下对产品的不满，要么是满分表达对产品的喜欢，对于推荐没有意义。目前互联网产品都是通过埋点获取用户行为数据，相关算法内容本专题不做介绍

要不要做推荐系统

这个要不要推荐系统我个人感觉非常重要，特别是拜读了刑无刀对于这个的看法。一个是潜力巨大，个性化推荐几乎成了互联网产品的必备特性，大家都想做，倾向于试一试；二个是推荐系统并不像是传统的系统，负责数据的流转，功能的实现。它是不确定的，因为推荐系统的好坏并不能从用户体验直接去判断，上了推荐系统，只能盯着量化指标，但量化指标包含的信息熵很高，包含了整个产品。本专题结合个人理解，提炼了几个要不要做推荐系统的指标

1. 产品的目的是建立越多的连接，直接体现在用户社交网络变大，APP使用时长延长、APP粘性好

2. 产品可建立的连接很多，多到信息过载不能有效获取。这一点又分为两点

1. 一个是可建立的连接，产品本身中要有用户感兴趣的item。因为推荐系统只能做到将可能产生的连接提早展现给用户。例如一些视频网站，购买比较火热的IP，一些用户只是为了这些内容而来，目的性非常强，对于相关类型的内同并不感兴趣，不可能建立连接，这时候推荐就不产生效果
2. 在1满足的情况下，产品的item要多到信息过载，如果信息不过载，用户自己就能发现所有的item。

3. 用户会重复使用产品，推荐系统只会在”下一次“发挥作用

比较客观的评价推荐系统的指标

如果满足了上述的做推荐系统的要求，那么推荐系统才是有了基础的应用基础。评价一个推荐系统的好坏，就可以从人均连接数有没有提升进行判断。

对关键元素重要性的认识

1. UI 和 UE： 界面好，用户才会重复使用。只有当用户不断回来，才有推荐系统的用武之地
2. 数据：准确
3. 领域知识：没有哪个产品不涉及领域知识，针对业务分析推荐算法
   1. 音乐软件，对于熟悉的歌手，推荐这个歌手的歌，用户并不会买单
   2. 视频软件，用户喜欢看什么剧，目标很明确，不会接受推荐；用户喜欢看这个演员，应该多推这个演员的剧
4. 算法。

上述几个元素是刑无刀的总结

下一篇将会是推荐系统落地的系统架构设计，推荐服务预计用户量在几万人，并发不高没什么要求。具体的组件使用会结合一点分析