推荐的一些事
不经意间看到一个关于推荐的讨论视频，点进去看发现讲的还不错，对推荐的一些概念、实践经验、优化的前沿点谈了些，算是干货不错。以免忘掉，顺便记录下，也加一些自己的些许坑吧。
什么是推荐
用户与商品之间的联系，分两个层面，对用户是找用户感兴趣的商品；对商品而言，是找相似的商品（在广告领域，还需找对商品感兴趣的人）。总之，是给用户和商品之间建立联系。
用户痛点
现在报纸、新闻联播看的人少，手机上看推送的信息越来越多，背后的技术是个性化推荐技术。头条类的用户痛点在哪？1
2
3
4
5
6用户需求，产品的动作可以做一些，搜索是明确目的性的，推荐是一些长尾的信息，报纸是热门的信息；
用户不知道需不需要信息，主动push时，用户反感。
到底给用户推荐什么，是用户需要的么，用户也不知道喜欢什么，用户不想被推荐，推荐做起来很难。
推荐是做减法和加法，减法是多中选出你需要的，加法是你没接触到的你可以看到，最终是做减法，信息太多，哪些是用户需要的。
推荐所用的数据其实很少，很多缺少，导致冷启动问题。
推荐的方法
协同过滤，本质是过滤掉一些信息，关键是用户的建模，对用户的了解。1
2
3
4
5item-based，适用于用户数大于商品数，构造itemA与itemB的向量，计算item之间的相似度，余弦相似度；
user-based，userA与userB的相似度，根据交集的商品来计算，皮尔逊相似度，临近用户集。
svd，c=uev，c=user*item的矩阵，e是隐含特征的奇异值，解决数据稀疏问题，起到降维作用；svd有很多变种优化点，svd++，加入隐含的svd等。
频繁项挖掘，找出item之间的关联规则，support是X的频度；confidence(x-->y)是规则置信度=count(x)/count(x,y);可应用于推荐或一些场景的研究，发觉出有意思的数据点。
上下文信息，上下文信息不同领域有不同的标准，不同领域的理解不同，时间、地点、兴趣、背景等，每个人做的是一个点。称为背景知识比较确切点，因为人的兴趣是动态的，用户的需求分长期需求和短期需求，背景加需求会更精准。
丰富背景知识的手段，1
2
3
4
5
6
用户角度，使用其他外部用户的数据，设计的产品引导用户的兴趣和特征；商品的角度，文本特征、图像特征其他特征，跟原来的商品的相似度。
打上标签，商品与用户可以建立连接，但是，标签打的准不准是个问题，
先验知识，做成一个知识图谱，来优化推荐，特别在冷启动时，效果很好，缺点是图谱是人为规定的，需人力；
推荐的优化
指标评价，线上和线下是可以一样的，推荐不同，线上测试很重要，ctr点击很重要，但是不是唯一的，关键是满意度，怎么评价满意度。学习算法，没有好的评价体系，就找不到优化的梯度，
embedding技术，可解释差点，1
2
3
4
5embedding在nlp中指词嵌入，把词变成向量，而词怎么成为向量，是从语料中训练出来，原理是词与其上下文的词可以看成是对标的关系，比如abcde五个词，c词的对标有ac,bc,cd,ce等，然后得到很多这种对标关系，喂入神经网络，输入的是前一个词，预测的是后一个词，反复训练后，得到一个词嵌入矩阵，得到了词的向量表示。
推荐中的embedding技术，是用户根据其背景知识，通过手段整合这些信息，最终的信息来表示这个用户，也就是隐含了很多信息点在内。
商品也是同样操作，最后只需比较整合后的两个数据，判断用户与商品的联系度。
注意力机制，哪些适合协同过滤，哪些适合用标签，
1 |
