推薦系統實踐（項亮）— 第7章 推薦系統實例

7.1 外圍架構

7.2 推薦系統架構

• 基於特徵的推薦系統架構
  • 用戶喜歡的物品、用戶類似的用戶也能夠抽象成特徵；
  • 基於特徵的推薦系統核心任務就被拆解成兩部分，一個是如何爲給定用戶生成特徵，另外一個是如何根據特徵找到物品；

• 用戶特徵種類
  • • 屬性特徵
    • 行爲特徵
    • 話題特徵：可應用主題模型生成
• 推薦系統架構構成
  • 推薦系統可由多個推薦引擎組成，每一個推薦引擎負責一類特徵或一種任務，而推薦系統的任務只是將推薦引擎的結果按照必定權重或者優先級進行合併、排序而後返回
  • 使用搜索引擎的好處：
    • 方便增/刪引擎，控制不一樣引擎對推薦結果的影響，對絕大多數需求，經過不一樣的引擎組合實現；
    • 實現推薦引擎級別的用戶反饋，可對不一樣的用戶給出不一樣的引擎組合權重。

7.3 推薦引擎架構

（1）用戶特徵向量生成模塊
　　

　　特徵向量由特徵和特徵權重組成，計算時須要考慮：

• 用戶行爲的總類：通常標準就是用戶付出代價越大的行爲權重越高。
• 用戶行爲產生的時間
• 用戶行爲次數
• 物品的熱門程度：冷門物品權重較高（用戶對很熱門的物品產生的行爲每每不能表明用戶個性，由於用戶多是在跟風）

（2）特徵 — 物品相關推薦模塊

　　能夠用不一樣方式計算多張相關表，而後在配置表中配置表與權重，最終應用時加權組合。

（3）過濾模塊

• 用戶已經產生過行爲物品
• 候選物品之外的物品，因爲業務需求或者用戶本身限定
• 低質量/評論物品

（4）排名模塊

• 新穎性排名：用戶不知道、長尾中的物品。
• 多樣性排名：覆蓋率，一種是推薦結果按物品內容屬性分類，在每類中選擇排名最高的物品；二是控制不一樣推薦結果的推薦理由出現次數，推薦結果來自不一樣特徵，具備不一樣推薦理由；
• 時間多樣性
• 用戶反饋：經過分析用戶以前和推薦結果的交互日誌，預測用戶會對什麼樣的推薦結果比較感興趣（點擊預測模型）。