最近开始扫荡以前收藏起来想看的文章，看了一篇叫做《案例：考拉FM的个性化数据挖掘和处理》里面讲了考拉FM的个性化推荐的做法的框架。因为现在大家都在做个性化得推荐，所以对一些已有的文章做了一个分析、比较、总结。
个性化有一个大的假设是：“物以类聚，人以群分。”说到底，就是寻找不同维度上的相似，量化后进行排序，选择最合适的进行推荐。
找相似：
找相似的人，和你有相似口味的人，还听了什么歌？
找相似的歌，对一首歌的所具有的因素进行量化，推荐有相似因素的歌曲。
以人为本：
给用户行为，比如说：单曲循环、分享、喜欢、收藏、主动播放、听完、跳过、拉黑
等，不同的权值。对所听过的，某一些歌曲，进行一个评分。通过各种算法找到一个比较好的歌曲，进行推荐。
中的回答，这里简单的记录两个思路：
多维空间中两个向量夹角的余弦公式：
小明对X、Y、Z三首歌的行为评分，假设是（3，-1，-1）
小王对X、Y、Z三首歌的行为评分，假设是（5，-1,5）
每个人的行为，就形成了一个向量。为了比较两个向量之间的夹角大小，还记得在《线性代数》中学过的，两个向量的余弦值计算公式吗？
潜在因子算法：
这个算法更简单。有数字的是，用户对已经听过音乐的行为评分。没有数字的是地方，我们要去预测的。如何去预测呢？下面这个图是实际的矩阵是R。预测的矩阵是~R。
R可以分解为两个低维度矩阵，假设这两个低纬度是Q和P，我们用Q和P的乘积去估计R。
Bling,采用一个神奇的算法吧,Q和P被解了出来，他们的矩阵乘积就是~R。没有听过的歌，的行为评分就被预测了出来，从中选择良品推荐给用户。
找相似的歌：
像商品一样，可以给每首歌贴上不同的tag。我认为这些tag分为两种：
1.确定的：比如说：语种、所属专辑、歌手。。。
2.不确定的，并且可以给这个tag权重：比如说：安静、怀旧、催眠、运动。。。
根据QQ音乐推荐的11种类别，它更喜欢用一些确定的tag来推荐，一般推荐的音乐元素是：歌曲、歌手、专辑、歌单。如下11种：
2.风格推歌曲
3.红心歌曲推单曲：用户发生红心一首歌曲的操作，将实时触发与该歌曲相似的歌曲。
4.歌手推本歌手歌曲
5.歌曲推歌单：属于非敏感操作累积到一定程度，异步触发的推荐类型，推荐包含此用户喜欢歌曲的歌单。
6.红心歌曲推淘歌曲单：如果用户发生红心一首单曲的敏感操作，将实时触发推荐该歌曲所在歌单。
7.专辑相似推荐专辑。
8.歌手相似推荐歌手：如果用户长期播放某位歌手的作品，此歌手进入用户的长期基因，则最近一次的听歌次数超过2次时，会触发trigger，推荐相似歌手的专辑。
9.歌手推非基因歌手。
10.歌手推荐基因歌手。
11.关注歌手推荐相似歌手。如果用户发生了关注歌手的敏感操作，猜你喜欢系统会通过两条路径推荐歌手，第一条是从相似歌手池子中获取相似歌手，并给出top10热门歌曲。第二条是从关注歌手的相似歌手池子中监控有人发布最新专辑或单曲时，尝试触发feeds。
除此之外，还有一些不一样的思路：
1.基于场景的推荐
考拉FM给了我一些启示。商品和音乐有什么不同呢？以上的推荐，很多都是从商品那一套衍生过来的。而音乐和商品还是有很大区别的。音乐有非常强烈的伴随性，比如：看书的时候听音乐、运动的时候听音乐、早上起床希望听到的和晚上睡觉希望听到的。
随着场景的不一样，用户说期待的也是不一样的。当每一次打开，都能听到，不一样的，但是都是符合期待的，才会有惊艳的感觉。
2.专家推荐。
能让用户喜欢的，并不一定是和以前相似的音乐。专业的DJ将有相似之处的优质音乐放在一起，推荐给用户。
3.电台类声音。
网友评论