白話推薦系統

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。

假設你要去外邊吃火鍋，你能夠把家門外的全部火鍋店都轉悠一圈，根據價格和口味選擇一家合適的店，吃完後付款離開。若是你住的地方有一家美食城，你能夠根據門口的指示牌找到對應的樓層，接着按照指示到對應的火鍋店，點單吃飯。若是你不想出門的話，你能夠打開手機上的美食APP，在搜索框中輸入「火鍋」，下單付費，等待送貨上門。

以上這幾種狀況都是在用戶有明確需求的狀況下，經過搜索引擎找到本身須要的東西。那麼，若是用戶沒有明確的需求呢？好比說，某個週日的下午，你想看一部電影，但打開視頻網站後，面對各類類型的電影，不知如何挑選。這時候，你有兩種辦法，一是諮詢身邊愛看電影的朋友，二是藉助一個自動化工具——推薦系統。

推薦系統在社交媒體中的應用

伴隨着信息技術和互聯網發展，人類社會已經從信息匱乏的時代步入信息過載的時代。對信息生產者和信息接收者來講，都是一件極具挑戰的事：信息生產者想讓本身的內容得到最大曝光，信息接收者想收到最有價值的信息。

爲了解決信息過載的問題，無數的科學家提出瞭解決方案，其中最有表明性的要數分類目錄和搜索引擎。國外著名的互聯網公司雅虎憑藉分類目錄起家，將著名的網站分門別類整理，從而方便用戶根據類別查找網站。可是隨着互聯網規模的不斷擴大，分類目錄網站也只能覆蓋少許的熱門網站，一些冷門、小衆的網站沒有辦法被覆蓋，這愈來愈不能知足用戶的需求。因而，搜索引擎問世了。以谷歌爲表明的搜索引擎可讓用戶經過搜索關鍵詞找到本身須要的信息，國內具備表明性的公司則是百度。

谷歌搜索界面

搜索引擎須要用戶提供較爲準確地關鍵詞，所以，當用戶沒法準確描述本身的搜索需求時，搜索引擎就無能爲力了。推薦系統的誕生很好地解決了這一問題。和搜索引擎不一樣的是，推薦系統不須要用戶提供明確的信息需求，而是經過分析用戶的歷史行爲並給用戶的興趣建模，主動給用戶推薦他們可能感興趣的信息。

從用戶的角度來看，搜索引擎和推薦系統是用戶獲取信息的兩種不一樣手段。搜索引擎知足了用戶有明確目的時的主動查找需求，而推薦系統可以在用戶沒有明確目的的時候幫助他們發現感興趣的新內容。不管是在互聯網上，仍是在現實生活中，這兩種方式都大量並存，爲互補關係。以在商場買東西爲例，若是咱們清楚地知道本身想要買什麼、什麼型號、什麼款式、什麼顏色的話，直接去店裏買就行了，這就是「搜索」；若是咱們不太清楚本身須要的東西的大小、型號、款式、價格等，那就須要導購來告訴咱們哪一款商品符合咱們的需求，這就是「推薦」。

從物品的角度來看，搜索引擎發揮的是馬太效應，推薦系統則是長尾效應。

馬太效應（Matthew Effect），指強者越強、弱者越弱的現象。這一理論出自聖經《新約·馬太福音》一則寓言： 「凡是有的，還要加倍給他叫他多餘；沒有的，連他全部的也要奪過來」，這與「二八法則」類似，通俗來講，就叫「贏家通吃」。

以百度的搜索點擊爲例，越是排名靠前的搜索結果，用戶越有可能點擊，排名靠後的結果以及翻頁後的結果被點擊的可能性大大減小。這就是爲何百度的廣告這麼賺錢的緣由，也是爲何各大公司爭相作SEO的緣由。排名越是靠前，被點擊的可能性越大，「強者越強」。

與馬太效應相對應的，則是長尾效應。美國《連線》雜誌主編Chris Anderson在2004年發表了"The Long Tail"（長尾）一文並於2006年出版了《長尾理論》一書。長尾用來描述經濟學中熱門和冷門物品的分佈狀況。在互聯網時代因爲網絡技術能以很低的成本讓人們去得到更多的信息和選擇，在不少網站內，有愈來愈多的原先被「遺忘」的冷門物品從新被人們關注起來。事實上，每個人的品味和偏好都並不是和主流人羣徹底一致，Chris指出：當咱們發現得越多，咱們就越能體會到咱們須要更多的選擇。

主流商品每每表明了絕大多數用戶的需求，而長尾商品每每表明了一小部分用戶的個性化需求。而對長尾資源的盤活和利用，偏偏是推薦系統所擅長的。用戶一般對長尾內容是陌生的，沒法主動搜索，只有經過推薦的方式，這些陌生的內容才能引發用戶的注意，引發用戶的興趣。對生產者來講，盤活長尾資源也很是關鍵。試想一下，若是一個企業僅僅依靠某一類型商品來吸引人氣，那麼當這類商品再也不受歡迎，新的商品尚未補上來的時候，企業的收益勢必會受到很大波動。依靠推薦系統來充分發掘長尾，知足用戶個性化、差別化的需求，讓長尾內容在合適的時機曝光，吸引新的人氣，才能維護企業健康穩定的運轉。

那麼推薦系統到底是如何工做的呢？仍是以咱們的看電影爲例，在決定看什麼電影的時候，咱們大概會經歷一下幾種方式：

1. 諮詢身邊好友。咱們能夠問身邊愛看電影的好友，問問他們最近看過的不錯的電影，或者在朋友圈坐等別人推薦。在推薦系統中，咱們把這種方式叫作社會化推薦，即經過好友給本身推薦物品。

2. 從喜歡的演員或者導演入手，在搜索引擎中搜索這位演員或者導演的其餘還未看過的電影。 這種方式是尋找和本身以前看過的電影在內容上類似的電影。這種方式在推薦系統中叫作基於內容的推薦。

3. 咱們還能夠參考豆瓣評分，結合網友打分挑選本身喜歡的電影。這種方式叫作基於協同過濾的推薦。

以上就是對推薦系統的一個簡要介紹。歸根究底，推薦系統就是鏈接用戶和物品的方式之一，它可以在信息過載的環境中幫助用戶找到感興趣的東西，也能將信息推薦給真正感興趣的用戶，發揮信息的最大價值，知足不一樣用戶羣體的選擇。

參考文獻：

項亮. 推薦系統實踐[M]. 北京：人民郵電出版社, 2012.

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）。