推荐系统介绍

1 推荐系统发展史

1998年，Amazon平台上线了基于物品的协同过滤算法（ItemCF算法），将推荐系统推向服务千万级用户和处理百万级商品的规模。这一技术机制的革新产生了良好的效果，Amazon销售额提高了35%左右——这是推荐算法从实验室走向商业公司的一次成功应用。

2006年，一家原本做DVD租赁的公司悬赏百万招募算法推荐系统，希望改善其影片推荐效果。最终，凭借此次大赛的成果，这家公司成功转型为线上影片点播平台，并向用户普及了“推荐”的概念——这家公司就是Netflix。

视频平台YouTube同样以算法推荐为特色。它最早只通过点击和浏览量对内容进行排序，2012年YouTube开始采用复杂的推荐算法，尝试加入观看时长、分享、喜欢等参数来向观众呈现视频流。2016年9月，YouTube将其技术文档整理成论文《Deep Neural Networks for YouTube Recommendations （深度神经网络在YouTube推荐系统中的应用）》发表，公布了从大规模可选内容中寻找最适合推荐结果的算法路径，探讨了深度学习带来的性能跨越式提升。

在视频网站之后，Facebook、Twitter等社交媒体也纷纷采用个性化信息流，将内容按用户兴趣程度进行排列。从时间顺序切换到算法乱序推荐，尽管初期引发了部分使用者的不适，但之后便被证明，这一举动带来了用户使用时长、广告点击率的大幅增长。

国内互联网行业同样拥抱算法。二十一世纪的第一个十年之后，内容资讯平台、短视频应用改变过往人工推荐的习惯，逐步加大算法推荐的比重，一大批代表性应用在这一浪潮中涌现出来。2016年又被称为“智媒元年”，以纪念算法推荐在内容分发领域所做出的重大贡献。

毫无疑问，身处信息大爆炸的背景下，算法推荐是继分类条目与搜索引擎之后的又一技术革新，它极大地提升了信息分发的效率和精准度，以此颠覆了人与信息的相处方式，也得益于这种能力，逐渐被应用于交通、金融、法律等等人类社会的其他领域。

参考：https://mp.weixin.qq.com/s/_NemiGmr04YuxtCsx7y3gg

2 推荐系统搭建

推荐算法主要分为以下几步：

1. 召回：当用户以及内容量比较大的时候，往往先通过召回策略，将百万量级的内容先缩小到百量级。
2. 过滤：对于内容不可重复消费的领域，例如实时性比较强的新闻等，在用户已经曝光和点击后不会再推送到用户面前。
3. 精排：对于召回并过滤后的内容进行排序，将百量级的内容并按照顺序推送。
4. 混排：为避免内容越推越窄，将精排后的推荐结果进行一定修改，例如控制某一类型的频次。

2.1 召回

召回的目的：当用户与内容的量级比较大，例如对百万量级的用户与内容计算概率，就会产生百万*百万量级的计算量。但同时，大量内容中真正的精品只是少数，对所有内容进行一次计算将非常的低效，会浪费大量的资源和时间。因此采用召回策略，例如热销召回，召回一段时间内最热门的 100 个内容，只需进行一次计算动作，就可以对所有用户应用。

召回方法：召回的策略不应该是简单的策略堆砌，而应该是方法的相互补充。

1. 热销召回：将一段时间内的热门内容召回。
2. 协同召回：基于用户与用户行为的相似性推荐，可以很好的突破一定的限制，发现用户潜在的兴趣偏好。
3. 标签召回：根据每个用户的行为，构建标签，并根据标签召回内容。
4. 时间召回：将一段时间内最新的内容召回，在新闻视频等有时效性的领域常用。是常见的几种召回方法。

2.2 精排

精排是召回的下游，其目标是尽可能准确地预测商品与用户的相关性。此外相比于召回模型，其使用的特征更多，模型也更复杂，因此数据量不能太大。

3 推荐算法应用场景

3.1 Feed（信息流）

像头条、微博、知乎的首页一样，刷不完的信息，而且刷着还挺符合自己的兴趣爱好的，于是就放不下了

3.2 猜你喜欢

比如淘宝、网易云音乐、懒人听书、腾讯电影，几乎各行各业都在猜你喜欢什么。
猜你喜欢，也可以衍生成，猜你需要，猜你想听，猜你想看，只是统计算法维度的不同而以。

3.3 相关推荐

案例：调整推荐算法，提高阅读点击量
原始版本为人工编辑推荐的形式，即由小编决定文章是否会被放在“相关阅读”板块中；而试验版本是第三方推荐算法自动生成的文章列表。

3.4 热门推荐

这个和feed流有点相似，但有些不同，可单独拿出来，是因为热门推荐的机制与当事人没有关系，它的机制属性或者数据全来源于外部。
案例：调整模块位置，助力提高转化
原始版本用户进入参考消息后，默认显示人工编辑的“热点”栏目；试验版本将默认展示由推荐算法生成的“推荐”栏目，调整用户进入APP后的默认展示版块，并将信息流文章点击量作为优化指标。

参考：https://mp.weixin.qq.com/s/ZSKjQo5s-kXVx5GbnKAN2A