「算法」常用系统推荐算法

常用系统推荐算法

算法：电商、新闻客户端、音乐客户端都是基于系统推荐算法给每位用户者个性化显示

1. 基于流行度算法

基于流行度算法: 根据 PV 、 UV 、日均 PV 或分享率等数据按照某种热度排序推荐给用户。

优点：适合刚注册新用户，缺点：无法针对用户个性化。

优化：主流新闻与音乐客户端在第一次进入使用时候选择初始化类型标签，按照用户分群的流行度排序；「热榜上的经济内容优先推荐给经济迷」

应用：新闻网站，微博热榜

2. 协同过滤算法

协同过滤算法「Collaborative Filtering」CF：主要分为两类，基于用户的CF「User-base CF」与基于物品的CF「Item-base CF」

基于用户 CF 算法原理如下：
1、分析用户对 item 评价「浏览记录、购买记录」；
2、根据消费者对 item 评价计算所有用户之间的相识度；
3、与当前最相似 N 个用户批量选出；
4、N 个用户评价最高且当前用户又没有浏览过的 item 推荐给当前用户；

基于用户 CF 算法示例图如下：

基于物品 CF 算法原理大同小异，目标主体更新为物品
1、分析各个用户对 item 浏览记录；
2、依据浏览记录分析得出所有 item 之间的相识度；
3、对于当前用户评价高的 item ，找出与之相似度最高的 N 个 item；
4、讲 N 个 item 推荐给用户；

基于物品 CF 算法示例图如下：

3. 基于内容的算法

基于内容推荐算法：提取用户行为与新闻文本关键字推荐；

4. 基于模型的算法

基于模型推荐算法，机器学习，深度学习。「 //todo 」

5. 混合算法

真实应用场景中，很少直接单独使用某个推荐算法做推荐系统。融合了多个推荐算法一起，给不同算法结果分配不同权重综合推荐；

结果列表

推荐算法初步推荐 itemLists ，需要对其再次分析处理。
1、推荐内容中敏感词汇，用户隐私等，需要将其过滤；
2、多次推荐后消费者对某个 item 毫无兴趣，需要将其 item 降低权重，调整排序；
3、多样性内容推荐；

推荐结果评估

推荐算法完成后，评估算法的效果：
CTR（点击率）、CVR（转化率）、停留时间等都是很直观的数据。在完成算法后，可以通过线下计算算法的RMSE（均方根误差）或者线上进行ABTest来对比效果。

改进策略

用户画像：
1、获取整个公司业务平台用户画像数据；
2、不同设备上同步用户数据「QQID、设备号、手机号」；
3、丰富人口属性「年龄、职业、地域」；
4、更完善的用户兴趣状态；