推薦系統的工做流程

在互聯網飛速發展的現代社會，人們天天都要受到成百上千條信息的轟炸，APP推送、新聞熱點、信息流廣告……一個有效的「信息過濾器」已經成爲了人們平常生活的剛需，也是信息供應商在激烈的市場環境中脫穎而出的必殺技。

推薦系統正扮演着這樣一個角色，它如同篩子通常，幫咱們找到最想要的內容。可是，推薦系統太高的技術門檻和研發成本把不少企業擋在了門外。第四範式基於機器學習技術推出的智能推薦產品先薦，專一於內容行業的個性化推薦，憑藉自身的技術優點有效解決着這一難題，已經服務了36氪、花瓣、果殼等知名媒體，不斷受到行業內的普遍好評。

在接下來的文章中，先薦將系統地講解推薦系統的相關知識，但願各位技術愛好者能對推薦系統有更多、更多的瞭解。首先，咱們將從推薦系統的工做流程講起。

1. 信息收集階段

這一階段會收集用戶的相關信息，用以生成預測任務的用戶畫像，這些信息包括用戶屬性、用戶行爲或用戶訪問的資源。只有用戶畫像徹底創建後，推薦系統才能開始運行。推薦系統須要儘量多地瞭解用戶，這樣的話從一開始就能爲用戶提供合理的推薦結果。

推薦系統依賴於不一樣類型的輸入，例如最直接的顯式反饋，即用戶直接輸入感興趣的內容，或隱式反饋，即經過觀察用戶行爲間接地推斷用戶偏好，還能夠經過顯式和隱式反饋的組合來得到混合反饋。

以網絡學習平臺爲例，用戶畫像是與特定用戶相關聯的我的信息的集合。這些信息包括該用戶的認知技能、智力水平、學習方式、興趣愛好以及交互行爲等。用戶畫像一般用於用戶模型構建時信息檢索所需。換句話說，用戶畫像粗略地反映了用戶模型。要想作成功一個推薦系統，很大程度上取決於其對用戶興趣的表徵能力。要想得到準確的推薦結果，準確的用戶模型必不可少。

1.1 顯式反饋

網站通常會在用戶操做界面上提示用戶對內容作出評價，以便構建和改進該用戶的用戶模型。推薦結果的準確性取決於用戶提供的評級數量。用戶的評級數量越多，推薦結果越準確。顯式反饋的惟一缺點是，很是依賴用戶評級的積極性，並且，用戶不是時時刻刻願意作出評級。不過，相比之下，顯示反饋不涉及到從用戶行爲中獲取用戶偏好這一步，所以提供的數據更可靠，整個推薦過程也更透明，可以更好地感知推薦系統的質量，從而提升用戶滿意度。

1.2 隱式反饋

網站後臺經過監測用戶的不一樣行爲，自動推測用戶的興趣偏好，例如購買歷史、導航歷史，在某些網頁上停留的時間、用戶點擊的連接、按鈕、以及電子郵件內容等。隱式反饋從用戶行爲中推斷用戶的偏好，減輕了用戶的評級負擔。隱式反饋對用戶評級的積極性要求不高，準確性也較低。

也有一些人認爲，用戶隱性反饋的數據實際上更客觀，在隱式反饋的狀況下，用戶不須要以社會大衆指望的方式作出反應，也沒有任何維護自我形象的需求，所以提供的數據更真實。

1.3混合反饋

隱式和顯式反饋的優點能夠在混合系統中結合，以最大限度地下降兩者的不足並實現性能最佳的推薦系統。具體來看，用隱式反饋的數據來校驗顯式反饋的數據，或僅容許用戶在表達明確興趣時給出顯式反饋。

2. 算法學習階段

在這一階段，系統會經過學習算法，過濾上一階段獲得的用戶反饋，並提取用戶特徵。關於這一部分的詳細內容，咱們會在後續的文章中介紹。

3. 預測/推薦階段

在這一階段，系統會預測用戶可能喜歡的內容類型。這一步能夠直接基於在信息收集階段收集的數據集（基於存儲器或基於模型）來實現，也能夠經過後臺監測到的用戶行爲來實現。

推薦系統的工做流程

在下一篇文章中，咱們將會詳細介紹推薦的過濾技術，敬請期待。

相關閱讀：

白話推薦系統

想要了解推薦系統？看這裏！（2）——神經網絡方法

想要了解推薦系統？看這裏！（1）——協同過濾與奇異值分解

AutoML如何實現智能推薦系統的自動上線和運維？

入門推薦系統，你不該該錯過的知識清單

如欲瞭解更多，歡迎搜索並關注先薦微信公衆號（ID：dsfsxj）。