图片来源：百度图片
相信很多小伙伴在使用一些社交、新闻、购物App等中都会遇到过推荐或猜你喜欢的模块。这些模块或人工或机器学习get到你可能感兴趣的内容，并不断产出&为你推荐你可能感兴趣的内容。现在很多平台都比较重视推荐系统，旨在为用户推荐的内容较为准确且优质，比较有名的有今日头条的新闻推荐，网易云音乐的猜你喜欢等等。
小编对一些推荐做的比较好的平台的推荐机制做了小小的调研，在这里和大家分享一下。
一般推荐也分成两个阶段吧，一是冷启动阶段，二就是冷启动过后的阶段。
一、冷启动阶段
图片来源：百度图片
何为冷启动呢？简单的理解是内容的初始化。放在推荐这一块，可以理解为，一个新用户刚注册了一个新的账号，系统对其过去的行为没有任何了解，那么如何为其提供准确的推荐呢？
小编总结了以下方法：
1、首次登陆的用户，给他一个选择的机会，比如例举一些模块，让用户从其中挑选自己感兴趣的模块或者自己不感兴趣的模块；或者在问答社区让用户挑选一些感兴趣的话题，按照用户的选择来为其做一些初始的推荐。比如quora、知乎、堆糖、小红书等。也不乏一些会有粒度更细的兴趣标签系统，比如美味爱读等。不过这种方式也存在用户行为数据不足和用户不喜欢刚上手app就一堆繁琐操作等问题。
2、如果登陆方式是微博等一些平台，可以从这些平台信息中获取一些用户关注相关的信息。即通过用户微博账号建立一个“兴趣图谱”，根据用户在微博上发布的内容及所属类别、用户自标签、社交关系、社交行为、参与的群组登信息来源来推断用户的兴趣点。以及也可以通过用户的一些关系链，来从他的好友、他关注的人来获取一些关注信息从而得到一些初始的兴趣推荐。
3、也有很多平台，冷启动得不到很多相关的信息，会默认以最热推荐给用户。至于最热怎么产生，每个产品有各自不同的衡量标准。
4、还有一些针对性比较强的，比如pinterest主要用户是女性，所以初始值大部分推荐的内容都是女装时尚等。
二、冷启动之后的阶段
图片来源：百度图片
在冷启动以后，平台会获取一些用户的习惯信息，包括关注的人，经常点开的内容，关注的模块等信息。
之后的推荐算法也会分为以下一些基本套路：
1、基于内容推荐，一些新闻或者文章推荐平台会从抓取到的每条信息（包括文字和图片等）中提取几十个到几百个高维特征，并对这些抓取的信息进行降维、相似计算、聚类、分类等一系列处理，然后根据用户的兴趣模块进行内容的推荐。根据物品或内容的元数据，发现物品或内容的相关性，然后基于用户以前的喜好记录推荐给用户相似的物品，你在新闻平台中比较爱阅读社会热点，社会热点相关的热文也会高频词的出现在你的推荐首页。
2、基于协同过滤推荐，又分为基于用户的协同过滤推荐、基于项目的协同过滤推荐以及基于模型的协同过滤推荐。是根据用户有过的行为进行类似的推荐。
基于用户行为是在长期的历史数据下发现两个用户的喜好行为相似，比如他们共同喜欢A,B内容，但其中一个同时也喜欢C内容，系统也会自动将C内容推荐给另一个用户；基于项目协同，即为用户喜欢A和B内容，但系统判别C内容和A内容比较相似，那么会判定用户也喜欢C内容故也会为用户推荐C内容；基于模型的协同过滤是指基于样本的用户喜好信息，训练一个推荐模型，然后根据实时的用户喜好的信息进行预测推荐。
3、基于社交圈推荐，社交网络最重要的特征就是homophily（同质化），说白了就是人以类聚，其实这点和协同过滤推荐里面的基于用户的协同过滤推荐比较相似。在社交网络上的好友、关注你的人和你关注的人往往在一些方面比较相似，比如年龄相近，三观相近，地域相近，兴趣相仿。在知乎上，这种趋势就体现在同一领域感兴趣的用户间的关注量最高，密度也更大，而对不同领域刚兴趣的用户往往关注不多。同理，对同一话题持不同或对立观点的人群间一般也很少互相关注。也就是说，不同的人群在社交网络上的分布不是随机和平均的，而是高度集中的圈子，兴趣、三观等相近的人一般在社交网络上挨的更近，也更容易相互看到时间轴，而相比较不同的人群很可能老死不相往来，互相圈子里的人们话题或回答很可能要过好久才能传到对方的圈子。
题外话：网上看到一篇总结排名算法的，可用于做内容排名推荐，感兴趣的小伙伴也可以在网上查找一下，顺便恶补一下数学知识～
好了，今天的总结就到这儿了~
感谢大家的收看
感谢每一个
看到这一行的你
网友评论