推荐系统设计要点 | AI-PM| 新年第一弹

这是阿拉灯神丁Vicky的第15篇文章

1

推荐系统组成

前台展示页面、后台日志系统、推荐算法；

通过前台页面与用户交互产生数据，将数据存储在后台日志系统，开发人员根据推荐算法对日志系统中的数据进行分析处理，生成推荐结果。

2

用户数据收集

用户属性数据：性别、年龄、学历等

用户行为数据：点击、收藏、购买等

用户结果数据：评论、反馈、邀请等

物品特征

标签

内容

属性

3

日志分析处理

日志系统分为两类，这里所说的为第一类：

一、面向用户收集

  二、面向开发者收集

用户行为轨迹

跟踪分析问题

审计系统运行

4

推荐系统算法

推荐系统是连接前台页面和后端数据的桥梁。推荐系统的实质就是根据用户行为特征匹配物品特征的中间件。

推荐结果是基于用户数据与物品特征，在时间、多样性、流行度等不同维度根据用户需求赋予权重并进行筛选、排序等处理后的结果，当推荐系统生成初始结果，然后通过过滤、排名等算法生成最终推荐结果与理由。

整个过程遵循 用户 -> 特征 -> 物品 过程。

推荐引擎可抽象成一种特征，每种特征对应一种推荐策略，对应不同用户需求，变换对应特征上的权重，最终生成 物品 -(特征映射)> 用户 {item -> userfeature}。

5

推荐系统关键点

如何发现用户感兴趣的物品？

    1、主动：用户自行选定关键词

2、被动：浏览记录、社交数据

如何确定物品之间的关系？

1、相似度原理：根据物品关键词或标签

2、系统过滤：基于用户或物品的同类圈子

6

如何实现精准分类

混合推荐：多种推荐策略融合达到一加一大于二的结果

隐语义模型：物品权重分类匹配

文本精准匹配：TF-IDF(一种常用于信息检索与数据挖掘的加权技术)

社交网络：用户关系数据，比如用户熟识度、兴趣相似度(互为好友、单向关注/收听、兴趣小组)

时间特征：物品的时效性(时间权重)

环境特征：用户LBS数据(所在地权重)

看都看完了，点个‘赞’吧