从算法原理 看介绍战略

介绍算法简介

目前的介绍算法普通分为四大类：

协同过滤的介绍算法

协同过滤介绍算法应该算是一种用的最多的介绍算法，它是经过用户的历史数据来构建“用户相似矩阵”和“产品相似矩阵”来对用户启动关系item的介绍，以到达精准满足用户喜好的目的。比如亚马逊等电商网站上的“买过XXX的人也买了XXX”就是一种协同过滤算法的运行。

基于内容的介绍算法

基于内容的介绍算法，是将item的称号、简介等启动分词处置后，提取出TF-IDF值较大的词作为特色词，在此基础上构建item关系的特色向量，再依据余弦相似度来计算关系性，构建相似度矩阵。

混合介绍算法

混合介绍算法很好了解，就是将其余算法介绍的结果赋予不同的权重，而后将最后的综合结果启动介绍的方法。

举例来说，比如上述曾经提到了三种方式，协同过滤算法中的基于用户和基于item的协同过滤介绍，和基于内容的介绍算法;而混合介绍算法中是将这三种介绍结果赋予不同的权重，如：基于用户的协同过滤的权重为40%，基于item的协同过滤的权重为30%，基于内容的过滤技术的权重为30%，而后综算计算获取最终的介绍结果。

盛行度介绍算法

浅析介绍算法在实践中的运行

了解了大略原理后，就可以来看看在实践场景中，介绍算法都是怎样经常使用的吧。(事前申明，这只是我看了关系东西再联合自己了解出来推测的，假设有说错的中央请各位千万放下手中的刀……)

好，上方开局，先说说协同过滤算法在实践中的运行。

协同过滤算法

协同过滤算法普通是怎样做的呢?咱们先来看看在图书介绍中的做法：

协同过滤(CF)大抵可分为两类：一类是基于邻域的介绍、一类是基于模型的介绍;邻域方法是经常使用用户对已有item的喜欢水平来推测用户对新item的喜欢水平。与之雷同，基于模型的方法是经常使用历史行为数据，基于学习出的预测模型，预测对新项的喜欢水平。通常的方式是经常使用机器学习算法，找出用户与项的相互作用模型，从而找出数据中的特定形式。(由于基于模型的方法我也不太了解，临时不开展说明，感兴味的可以查阅关系资料)

【基于邻域的介绍】–即是构建用户相似矩阵和产品相似矩阵

假定用户体现出了对一些图片的喜欢状况并启动了相应的评分，状况如下：

不同图书代表不同维度，评分则代表了特色向量在该维度上的投影长度，依据用户对不同图书的喜欢水平建设用户的特色向量，而后依据余弦相似度可以判别用户之间的相似性。依据相似性可以建设用户相似矩阵：

很显然，经过依据用户对历史图书的评分状况，可以获取用户对其的喜欢状况，在此基础上构建出用户特色向量，可以必定水平上判别两个用户在图书品味上的相似水平，进而咱们可以以为，若A和B比拟相似，可以以为A喜欢的书B也喜欢。

在给A用户启动图书介绍时，找到与其相似度较高的其余用户，而后除去A用户已看过的图书，联合相似用户对某本图书的喜欢水平与该用户与A用户的相似度启动加权，获取的介绍指数越高的图书优先启动介绍。

这应该也是豆瓣等图书社区上经常使用的介绍算法之一，应用用户之间的相似度来启动介绍。当然，电影介绍也同理。

同理，反上来咱们可以依照相似的方位，以用户为维度来构建item的特色向量。当咱们须要判别两本书能否相似时，就去看对这两本书启动过评价的用户构成能否相似，即是经常使用评价过一本书的用户向量(或数组)示意这本图书;也就是说，假设有两本书的评价中，用户重合度较高，即可以为该两本书相似度较高。其实借用的还是用户相似的基础。(《文言大数据与机器学习》中也提到过相似的介绍算法，感兴味的同窗可以找来看一下)。

在音乐的介绍中雷同用到了协同过滤算法，咱们妇孺皆知的经常使用共性化介绍的音乐app应该属「网易云音乐」比拟典型了。

那么咱们就来yy一下网易云音乐的介绍算法，首先用户过去都会有听歌的历史，由于音乐中没无关系的评分机制，那么可以依据用户对音乐的行为来建设一个喜欢水平模型，例如：收藏-5分，添加歌单-4分，单曲循环-3分，分享-5分，听一遍就删-0分(原本想说负分滚粗的)。这样就大略有了一个喜欢水平列表，于是接上去就可以依据用户的听歌状况，建设用户的特色向量，接上去的介绍就顺利成章了。

当然，基于协同过滤算法的用户相似度矩阵算法应该只是网易云采取的一种介绍方式，接上去还会说到另外的方式。

值得留意的是，协同过滤的介绍算法只管经常使用得很广且介绍成果也较好，但还是存在一些缺乏之处：

基于内容的过滤算法

简介局部曾经提到了基于内容的过滤算法的基本原理，这里就不再重复了，间接说一下详细大略是怎样用的吧。

基于内容的过滤方式与协同过滤中建设用户相似矩阵的方式相似，都是应用特色向量来启动余弦相似度计算，从而判别东西的相似性。

首先， 应用分词技术对书籍的题目和内容启动处置，去掉权重为0的词(如的、得、地等);

而后，取 TF-IDF值较大的词作为特色词，并将其提取出来作为标签;

接着， 依据特色词建设书籍的特色向量;

最后， 计算不同书籍之间的余弦相似度，并凭次建设书籍之间的相似度矩阵;

基于内容的协同过滤算法，最重要的高级步骤是经过火词技术对题目和简介等启动处置，构成特色标签。例如，关于图书和电影而言，可以对称号和简介启动特色词提取，从而构建特色向量;当然，在豆瓣上发现可以用一种更省事的方法，就是让用户启动对作品评价时须要勾选关系的标签，这样只需为不同种类提供足够多的标签供用户选用即可(当然这是我猜的);

而假设关于音乐的介绍呢?没无关系简介，歌名也不具有足够的指向性，这种状况下则可以经过音乐自身的类别来作为标签启动特色向量的构建，例如：民谣、摇滚、复旧等;我猜这也是网易云音乐驳回的一种介绍方式吧。

而关于36氪之类的资讯网站，驳回什么样的介绍算法也能够有必定水平的了解了吧，原理都是相似的。

基于内容的介绍由于不须要太多的惯性数据，因此可以局部处置冷启动疑问和盛行性偏向，也就是补偿了协同过滤算法中的局部缺乏，因此也可以将两者混合起来经常使用，例如混合介绍算法就是驳回了这样的方式;其次，须要留意的是，假设单纯经常使用基于内容的过滤算法，会发生适度专业化疑问，造成介绍列表外面发生的大多都是同一类东西，有的小同伴或许也观察到了相似的现象，比如在亚马逊上购置哪本书(比如java关系的)，会发现介绍的书籍里全是java关系的，就是由于发生了适度专业化的现象。

结语

介绍算法的原理其实基于数学的原理获取处置(向量、余弦相似度等)，其实其余各类也同理，都是可在数学的基础上获取思绪和衍生，如用来启动情感判别的豪华贝叶斯算法，就是将人能力了解的情感疑问转化成了基本的概率疑问而获取处置，包括人造言语处置(NLP)和语音识别等，由此真是可以体会到数学的博大精湛啊。

作为一名高级产品汪而言，从算法原理角度了解一些实践疑问还是很有协助的，当然详细上手层面还须要开发同窗的鼎力协助。