沒有用戶數據時如何搭建推薦系統？用這三種辦法！

本帳號爲第四範式智能推薦產品先薦的官方帳號。帳號立足於計算機領域，特別是人工智能相關的前沿研究，旨在把更多與人工智能相關的知識分享給公衆，從專業的角度促進公衆對人工智能的理解；同時也但願爲人工智能相關人員提供一個討論、交流、學習的開放平臺，從而早日讓每一個人都享受到人工智能創造的價值。

即便沒有用戶數據，咱們仍能搭建高效的推薦系統，向用戶展現更多優質內容，讓用戶參與其中。

太長不看版：

第一步即是搭建基於內容的推薦系統，這種推薦系統會給用戶推薦其餘相似的商品，但並不依賴其餘用戶的數據。這些特徵（即數學表達式，推薦算法需藉助內容條目不一樣方面的表達式才能得以運算）來自於內容條目自己，並不是用戶行爲。有了書面文本，咱們即可以使用語義技術提取文本特徵。

以上述推薦系統爲基準模型，咱們能夠引入其餘特徵，如提取自文本的元數據，儘量地優化該系統。 雖然沒有明確的用戶標識，但利用用戶帳號代理仍能實現個性化推薦。 假設用戶每次訪問該系統時都瀏覽了多件商品，那麼能夠根據該會話內的實時趨勢，搭建本地的基於會話的推薦系統。

正文版：

「在沒有用戶數據的狀況下該如何搭建推薦系統呢？」咱們曾屢次遇到過該問題，今天我試着回答一下。

本文將向你們呈現關於推薦系統如何工做的一系列基礎知識，（在重要部分）會使用一些行業術語。當涉及到技術問題時，會跟你們說明具體的技術環境。

通常來講，在沒有用戶數據的狀況下，有三種可行的辦法來搭建推薦系統。我把它們按照複雜程度在下邊列了出來，此外，假設你們此刻能利用手邊一切可利用的數據。這三種方法，每一種後者比前者能更好地利用惟一標識和用戶信息等用戶數據，但實際上，你們手頭並無這些數據。

搭建基於內容的推薦系統

首先，咱們能夠以某些標籤或其餘內容元數據等爲特徵，搭建一個標準的基於內容的推薦系統。咱們能夠應用TF-IDF模型來評估算法，在該模型中，這些標籤表明了經預先計算好的詞典中的每個單詞（該詞典僅僅指某種數據結構，是語篇中全部的單詞集合。）

具體來講，假設咱們充分利用全部的標籤以及其餘特徵來構建該詞典，那麼該詞典會幫助咱們構建所謂的「特徵向量」。以後，咱們以特徵向量爲基礎，對比不一樣的內容條目，搭建推薦系統。到了這一步，一個基於內容的推薦系統已初步完成，從個人研究經驗來看，該系統的推薦效果至關好。咱們如今作的全部工做都是在向用戶推薦相似於歷史商品的商品。「相似」一詞這裏指，推薦的商品與歷史商品相比，有相似的標籤和特徵。

若是咱們想搭建精度更高的推薦系統，要作的第一件事即是迭代上述初級推薦系統，並在此基礎上不斷優化。接下來我將介紹其餘方法。

優化基於內容的推薦系統

上述步驟利用了包含現有標籤和其餘特徵的單一詞典。提升推薦精度的下一步是構建兩個及兩個以上的詞典——對應元數據的不一樣類別，咱們能夠基於多個詞典，在推薦系統中採用TF-IDF統計方法，計算每一內容條目得分的加權組合。咱們能夠根據主觀評估的結果優化參數（如每一項得分的權重）。這取決於哪一項參數權重能帶來最好的推薦效果。

若是某一類元數據不能用TF-IDF進行加權統計，如這組數據不相關，那我推薦你們把這組數據細分紅不一樣的種類。作了這樣的細分處理後，咱們會得到另外一組標籤（細分後的每一類數據都有各自對應的標籤）。假設這個過程當中未大量出現其餘特徵，那並不會加大整個工做的難度。

接下來能夠在系統中引入過濾技術，如加某個特定標籤，進一步優化推薦系統。它不是核心算法的一部分，但若是咱們想在推薦系統中嵌入某種算法，從而實現用戶自定義推薦準則的操做，那麼過濾技術即是該算法的附加支撐結構。

搭建採用用戶代理的推薦系統

提升系統推薦精度的下一步是觀察能做爲用戶代理的那些數據特徵。雖然咱們沒有用戶帳號，但可能有IP地址、瀏覽器信息、用戶會話等其餘信息。

至此，咱們能夠構建抽象的用戶。這種用戶帳號沒法驗證，但卻有了指紋技術的雛形。一旦咱們能爲「抽象」的用戶命名，那麼便能爲該用戶生成個性化推薦，具體來講，就是利用多種協同過濾技術。在我看來這也不復雜——咱們能找到不少開源項目（如高階Python包）。關鍵是咱們能夠藉助已有的代理信息來構建用戶帳號。

此外，咱們還須要用戶的點擊交互數據。咱們須要知道哪些商品已經被用戶點擊過，不然便沒有辦法順着用戶偏好作進一步優化。一旦有了用戶的點擊交互數據和抽象的用戶帳號，便能搭建由IP地址和瀏覽器信息組合而成的個性化推薦系統。這不是真正的個性化推薦，但離真正的個性化也不遠了。

搭建基於會話的推薦系統

最後的方法概述起來就是搭建基於會話的推薦系統。這與前邊提到的方法相似，但此次咱們關注的是某個特定會話內的數據。即便咱們沒法獲取用戶信息，也有可能拿到用戶會話數據。有了用戶會話帳號，便能和高度本地化的「用戶帳號」對等起來。

基於會話的推薦系統衆多，其中一些基於循環神經網絡（RNN）搭建的推薦系統精度極高，如Hidasi 和Karatzoglou二人所作的研究。這些系統的推薦效果都使人至關滿意。

基於會話的推薦系統假定用戶準備在該系統上停留一段時間。 若是用戶確實這樣作了，而且點擊次數足夠多的話，那麼系統的推薦效果會更好，推薦的內容對用戶更有吸引力。

原文標題：What Are the Three Ways to Build a Recommender System When You Don’t Have AudienceData?

以上內容源自Quora, 由第四範式先薦編譯發佈。

相關閱讀：

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）。