1.推荐系统含义、目标

推荐系统根据用户的历史、社交、上下文环境等信息去判断用户当前感兴趣的内容。

推荐系统的业务：

• 物料组装：生产广告，实现文案、图片等内容的个性化
• 物料召回：在大量内容中召回一个子集作为推荐的内容
• 物料排序：将召回的子集的内容按照某种标准进行精细排序
• 运营策略：加入一些运营策略进行一部分的重新排序，再下发内容

算法：
召回、排序。

召回的算法多种多样：itemCF、userCF、关联规则、embedding、序列匹配、同类型收集等等。
排序的算法可以从多个角度来描述。排序算法可以分成五个部分：
构造样本、设计模型、确定目标函数、选择优化方法、评估。

2. 召回模型

• 基于商品内容：比如食物A和食物B，对于它们价格、味道、保质期、品牌等维度，可以计算它们的相似程度，可以想象，我买了包子，很有可能顺路带一盒水饺回家。
  优点：冷启动，其实只要你有商品的数据，在业务初期用户数据不多的情况下，也可以做推荐
  缺点：预处理复杂，任何一件商品，维度可以说至少可以上百，如何选取合适的维度进行计算，设计到工程经验，这些也是花钱买不到的
  典型：亚马逊早期的推荐系统

• 基于关联规则：最常见的就是通过用户购买的习惯，经典的就是“啤酒尿布”的案例，但是实际运营中这种方法运用的也是最少的，首先要做关联规则，数据量一定要充足，否则置信度太低，当数据量上升了，我们有更多优秀的方法，可以说没有什么亮点，业内的算法有apriori、ftgrowth之类的
  优点：简单易操作，上手速度快，部署起来也非常方便
  缺点：需要有较多的数据，精度效果一般
  典型：早期运营商的套餐推荐

• 基于物品的协同推荐：假设物品A被小张、小明、小董买过，物品B被小红、小丽、小晨买过，物品C被小张、小明、小李买过；直观的看来，物品A和物品C的购买人群相似度更高（相对于物品B），现在我们可以对小董推荐物品C，小李推荐物品A，这个推荐算法比较成熟，运用的公司也比较多
  优点：相对精准，结果可解释性强，副产物可以得出商品热门排序
  缺点：计算复杂，数据存储瓶颈，冷门物品推荐效果差
  典型：早期一号店商品推荐

• 基于用户的协同推荐：假设用户A买过可乐、雪碧、火锅底料，用户B买过卫生纸、衣服、鞋，用户C买过火锅、果汁、七喜；直观上来看，用户A和用户C相似度更高（相对于用户B），现在我们可以对用户A推荐用户C买过的其他东西，对用户C推荐用户A买过买过的其他东西，优缺点与基于物品的协同推荐类似，不重复了。

• 基于模型的推荐：svd++、特征值分解、概率图、聚分类等等。比如潜在因子分解模型，将用户的购买行为的矩阵拆分成两组权重矩阵的乘积，一组矩阵代表用户的行为特征，一组矩阵代表商品的重要性，在用户推荐过程中，计算该用户在历史训练矩阵下的各商品的可能性进行推荐。
  优点：精准，对于冷门的商品也有很不错的推荐效果
  缺点：计算量非常大，矩阵拆分的效能及能力瓶颈一直是受约束的
  典型：惠普的电脑推荐

• 基于时序的推荐：这个比较特别，在电商运用的少，在Twitter，Facebook，豆瓣运用的比较多，就是只有赞同和反对的情况下，怎么进行评论排序，详细的可以参见我之前写的一篇文章：应用：推荐系统-威尔逊区间法

• 基于深度学习的推荐：现在比较火的CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)都有运用在推荐上面的例子，但是都还是试验阶段，但是有个基于word2vec的方法已经相对比较成熟，也是我们今天介绍的重点。
  优点：推荐效果非常精准，所需要的基础存储资源较少
  缺点：工程运用不成熟，模型训练调参技巧难
  典型：当前电商的会员商品推荐

基于主题模型的推荐
一篇文章拿到标题后，基于主题模型，基于LDA或者LSI可以把它生成一个向量。
基于这个向量得到关于主题的分布，计算它的相似度，基于这个相似度我们取topN可以得到一个推荐结果。

---

参考：

1. 作者：Jachin;
2. 阿里技术；
3. 个性化推荐系统;
4. 应用：深度学习下的电商商品推荐1.常见算法套路2.item2vec的工程引入3.python代码实现;