基于角色划分的推荐系统三种应用场景以及各自特点

推荐引擎的系统和算法发展至今，也有二十多年的历史，各种方法层出不穷。本文将归纳介绍一下基于角色划分的推荐系统三种应用场景及各自特点。

总体而言，推荐系统中一般由四个重要的角色：用户、物品、情景和匹配引擎。用户是系统的使用者，物品就是将要被推荐的候选对象，情景是推荐时所处的环境，而引擎就是用于匹配用户和物品的核心技术。因此，基于角色划分的推荐系统应用场景一般划分为三类，如下图所示：

应用场景分类

基于物品：给定物品a后，按照其他物品和a相似度的高低来推荐。典型的应用场景就是在浏览商品的详情页时，可以在页面中提示诸如“看了此商品还看了”、“买了此商品还买了”等推荐栏位，引导用户去浏览相关商品。

基于用户：给定用户A后，按照其历史行为所构建的用户模型来推荐。典型的应用场景就是个性化首页中的“猜你喜欢”、“您是不是在找”等模块。

基于情景：情景也可以理解为场景、情境，专业人士称之为上下文，简单点说就是指用户所处的信息环境。用户浏览的网页、所处的地理位置、当时的季节和气温等，都可以理解为情景。在很多推荐应用中，仅仅只考虑用户和物品很可能是不够的。在某些特定场景下，将环境信息整合到推荐流程也是很必要的，例如对于度假旅行的线路，夏季建议承德避暑山庄是很好的主意，而冬季最好建议海南沙滩狂欢节。还有，中午饭点到了，在寻找餐厅的时候你当然希望就近解决，对于需要1个小时才能到达的地点你的肚子可能不会乐意。

那么，这三种应用场景都具备何种特点呢？

使用物品作为推荐的依据，需要较为完善的物品信息数据，例如标题、产地、颜色、口味等相关属性。一旦拥有这些数据，不需要用户访问物品的记录，也能进行推荐，比较适合用户访问量不大的系统。

使用用户作为依据时，可以不需要太多与物品相关的信息，但是需要累计用户的访问日志，需要一定的流量作为基础，否则会面临尴尬的无信息可推荐的情形。

使用情景作为依据来推荐时，对物品和用户的数据要求都会降低，代价是需要额外收集用户所处的场景，例如地理位置，不仅需要获得用户的许可，而且还要进行实时更新。