参考文章
作者：吴海波
链接：https://www.zhihu.com/question/336277560/answer/759189088
比你更了解你，浅谈用户画像
什么是推荐系统
维基百科的定义
推荐系统是一种信息过滤系统给，用于预测用户对物品的评分或偏好。
推荐系统需要对已经存在的连接，去预测未来的连接。比如电商平台会根据你买过什么，浏览过什么这些人和商品直接的连接来预测你还可能买什么，比如在今日头条时每一次点击，每一次阅读都是连接，根据已有过去的点击，浏览行为来预测你感兴趣的内容。
推荐系统相当于信息“过滤器”，很好地解决了信息过载的问题，从而帮助人们更好地作出决策。它的主要原理是根据用户过去的行为（比如购买、评分、点击等）来建立用户兴趣模型，之后利用一定的推荐算法，把用户最可能感兴趣的内容推荐给用户，如下图：
image.png
数据
为了完成上面的计算，我们需要三部分数据：
-
1 用户数据：指用来建立用户模型的数据，这些数据根据不同的推荐算法而不同，典型的数据包括用户兴趣点、用户profile、用户的社交好友关系等；
-
2 内容数据：指用来描述一个被推荐内容主要属性的数据，这些属性主要都是跟具体的内容相关的，如一部电影的导演、演员、类型和风格等；
-
3 用户-内容数据：用户-内容交互是指反映用户与内容内在联系的数据，分为隐式和显式两种；显式主要是指评价、打分、购买等能明显反映用户对内容兴趣的交互数据，隐式指的是用户的点击、搜索记录等间接反映用户对内容兴趣的交互数据。
推荐系统的发展历史
说起推荐系统，很多人的第一印象是亚马逊当年号称有20%的成交来源于推荐。在PC时代，推荐系统更像是一个补充。PC屏幕很大，推荐的场景能出现在各种地方，比如很多电商公司的看了又看、买了又买，都是很大的推荐场景。这个时候的技术，和机器学习的关系并不大，以数据挖掘为主，无论是i2i、simirank，类似于频繁项挖掘。
到了移动时代，很多人的思维方式没有转变过来，觉得屏幕小了，推荐的场景要消失了，比如我们公司一度没有了可以做推荐的场景，商品详情页推荐这种场景，藏的太深，用户需要下拉很多才能看到，基本没有流量。但没有想到，移到才是推荐的时代。feed流的发明，影响了整个互联网。无论是头条的崛起，还是淘宝首猜uv蒸蒸日上，都代表着一种变革。随着业务价值变高，很多原来在计算广告中才用的技术慢慢开始在推荐中应用。很多公司开始抛弃以i2i为主，各种召回策略糅合的方案，机器学习开始真正的登场。到今天，在各大互联网公司，推荐系统已经是标配了。
推荐系统在不同领域的应用实例：
-
1.图书影音：Netflix、Youtube、MovieLens、豆瓣、网易云音乐
- 新闻资讯：Google News、今日头条、知乎、Hulu
- 人际社交：Facebook、Twitter、微博、人人网
- 旅游出行：Wanderfly、TripAdvisor、蚂蜂窝、去哪儿
- 电商零售：亚马逊、淘宝、天猫、京东
目前主要使用的推荐算法
当前主流的推荐算法可以分为以下六类（非主流划分方法）：
-
1 基于内容的推荐（Content-based）：根据用户过去喜欢的内容而推荐相似的内容
-
2 基于协同过滤的推荐(Collaborative Filtering，CF)：根据与当前用户相似的用户的兴趣点，给当前用户推荐相似的内容
-
3 基于人口统计学的推荐(Demographic-based)：根据用户共同的年龄、地域等人口统计学信息进行共同的推荐
-
4 基于知识的推荐(Knowledge-based)：根据对用户和内容的特定领域知识，给特定的用户推荐特定的内容
-
5 基于团体的推荐(Community-based)：根据用户的社交好友关系，给用户推荐其好友感兴趣的内容
-
6 混合推荐(Hybrid Recommender System)：以上各种推荐算法的特定组合
网友评论