3. 混合推薦方法
04 搜尋與推薦的區別
比如使用者在找喜歡的**，但又沒有具體的歌名或者歌手時，很難在短時間內找到真正合適的**，這時候就需要分析使用者歷史行為，進而找出使用者可能感興趣的**推薦給使用者，這就是推薦系統所需要完成的事情。
推薦系統是能找出使用者和物品之間聯絡的資訊過濾系統。推薦系統主要有兩個顯著的特徵。
個性化：推薦系統能夠挖掘冷門資訊推薦給使用者。熱門物品通常能夠代表大多數人的喜好，冷門物品往往只能代表少數人的個性化需求，但冷門物品所帶來的收益可能超過熱門物品，所以挖掘長尾冷門資訊是推薦系統的方向。
總之，推薦系統推薦的物品通常來說不是對使用者有幫助的，就是使用者自己感興趣的。
電商領域的推薦系統有很廣泛的應用場景。推薦系統可以幫助很多使用者在**、天貓上完成消費。相關的推薦功能非常多。以「**」為例，其主要推薦功能有：相關商品、店鋪推薦、買了還買、看了還看、猜你喜歡等。
**首頁「猜你喜歡」的產品、商品詳情頁中「看了又看」的產品、訂單詳情頁「你可能還喜歡」展示如圖2-3所示。
▲圖2-3
**的推薦演算法中有基於內容推薦的成分，如推薦系統需要給使用者和商品打標籤，通過演算法匹配推薦商品給使用者；還有基於協同思想的方法，根據某顧客以往的購買行為或者通過具有相似購買行為的客群的購買行為給顧客推薦可能喜歡的商品。
在海量**中，如何找出我們自己喜歡的**呢？
網易雲**還設定了「每日推薦」條目，以便收集使用者的每日行為資料，不斷地完善和豐富使用者畫像。「歌單」和「電台」的推薦功能也是一致的，主要收集使用者的偏好和行為資料。
同時，網易雲**的推薦應用中設定了使用者自己打標籤的功能，即當系統推薦不準確時，使用者可以自行標記。
推薦系統具有不同的分類方法。常見的分類方法有：按照推薦結果因人而異分類、按照推薦方法分類、按照推薦模型構建方式分類。因為推薦演算法是整個推薦系統中最核心部分，所以推薦系統還可以依據推薦演算法分類。基於此，推薦系統可以分為基於內容的推薦、基於協同過濾的推薦以及混合推薦方法。
基於內容的推薦策略始於資訊檢索領域，是搜尋領域的重要研究方向。
這種方法利用使用者已經選擇的物件，從候選集中找出與使用者已選物件相似的物件作為推薦結果。
這一推薦策略是首先提取推薦物件的內容特徵，並和使用者模型中的使用者興趣匹配。匹配度較高的物件就可以作為推薦結果推薦給使用者。
計算推薦物件的內容特徵和使用者模型中興趣特徵兩者之間的相似性是內容推薦策略中的關鍵步驟。一般採用的最簡單的方法為計算兩個向量的夾角余弦值。
基於內容的推薦策略的主要部分就是使用者特徵的描述以及推薦物件內容特徵的提取。
目前，文字資訊的特徵提取方法已經趨於成熟，但多**資訊的特徵提取技術還需要進一步探索。
圖2-6是基於內容的推薦，使用者a喜歡具有a、b特徵的商品a，而商品c也是a、b型別的，商品c和商品a相似，於是商品c被推薦給使用者a。
基於內容的推薦策略
優點有：
缺點有：
很難推出新穎的推薦結果，驚喜度指標較低，難以發現使用者新的興趣點；
存在新使用者的冷啟動問題，因為很難發現新使用者的興趣愛好，無法和推薦物件的內容特徵進行匹配。
目前，基於協同過濾的推薦是推薦系統中應用最廣泛、最有效的推薦策略。它於20世紀90年代出現，促進了推薦系統的發展。協同過濾的基本思想是聚類。
比如，如果周圍很多朋友選擇了某種商品，那麼自己大概率也會選擇該商品；或者使用者選擇了某種商品，當看到類似商品且其他人對該商品評價很高時，則購買這個商品的概率就會很高。
協同過濾又分為三種：基於使用者的協同過濾、基於專案的協同過濾、基於模型的協同過濾。
1）基於使用者的協同過濾的基本思想是首先找到與目標使用者興趣相似的使用者集合，然後找到這個集合中使用者喜歡並且沒有聽說過的物品推薦給目標使用者。
圖2-7是基於使用者的協同過濾的實現邏輯。
使用者a喜歡商品a和商品c，使用者c喜歡商品a、商品c和商品d，使用者a和使用者c具有相似的興趣愛好，因此把商品d推薦給使用者a。
▲圖2-7 基於使用者的協同過濾
2）基於專案的協同過濾的基本思想是基於所有使用者對推薦物件的評價的推薦策略。
如果大部分使用者對一些推薦物件的評分較為相似，那麼當前使用者對這些推薦物件的評價也相似。然後，將相似推薦物件中使用者未進行評價的商品推薦給使用者。
總之，基於專案的協同過濾就是根據使用者對推薦物件的評價，發現物件間的相似度，根據使用者的歷史偏好將類似的商品推薦給該使用者。
圖2-8是基於專案的協同過濾的實現邏輯。
3）基於模型的協同過濾的基本思想是基於樣本使用者的喜好資訊訓練乙個推薦模型，然後根據實時的使用者喜好資訊進行推薦。
其和上述兩種協同推薦的不同點在於先對已有資料應用統計和機器學習的方法得到模型，再進行**。常用的方法有機器學習方法、統計模型、貝葉斯模型和線性回歸模型等。
基於協同過濾推薦
優點有：
缺點有：
各種推薦方法都會存在優缺點。在實際應用中，我們可以採用推薦策略的組合方式，即混合推薦方法。
目前，使用最多的混合推薦方法就是把基於內容的推薦和協同過濾推薦組合。根據應用場景的不同，組合的方式也不盡相同，主要有兩種混合方式。
將多種推薦方法產生的結果通過某種方式進行混合計算而產生最終的推薦結果。
如何從多個推薦結果中選出推給使用者的最終結果成為混合推薦的關鍵。
常見的機制是投票機制，即使用一定的標準對多個結果進行判斷，選擇其中之一。
以某一種推薦策略作為框架，混合另外的推薦策略，如基於協同過濾推薦的框架混合基於內容的推薦策略。
搜尋和推薦都是使用者解決資訊過載的有效手段，能夠幫助使用者快速準確地定位到想要的資訊。
網際網路上搜尋和推薦這兩種方式大量並存，它們之間到底有怎樣的區別呢？
這個過程是使用者主動發起的。反之，當使用者意圖不夠明確時，推薦系統就能夠滿足使用者此時的需求。
當使用者在輸入想要檢索的內容時，搜尋引擎展示的結果基本固定，個性化程度較低。
推薦系統的個性化程度較高，因為推薦並沒有乙個標準的答案。
推薦系統可以根據每位使用者的歷史**行為、評分記錄等生成乙個當下對使用者最有價值的結果，這也是推薦系**特的魅力。
搜尋質量的重要評價標準是能否幫使用者快速找到準確的結果，因此搜尋引擎的排序演算法需要盡量把最好的結果放到前面。總而言之，「好」的搜尋演算法需要讓使用者獲取資訊的效率更高，停留時間更短。
搜尋引擎常用的評價指標有：歸一化折損累計增益（ndcg）、精準度–召回率（precision-recall）等。
對於top n推薦，map或ctr是普遍的評價方法；對於評分**問題，rmse或mae是常見量化方法。
長尾理論是指冷門物品的種類遠遠高於熱門物品的種類。在電商領域，如果這些長尾物品被充分挖掘，其帶來的價值可能會超過熱門物品所帶來的價值。
推薦系統應用場景
底下是乙個對推薦系統的比喻 我覺得這個比喻是很恰當的。延續這個的比喻，做個擴充套件說明 但是，有時候女生上街並不是出發前就有了購物的目的，所謂 無事上街小破財 女生逛街追求一種體驗的快感，一般這種情況下她們並不要求一定要購得滿意的商品，但是這種漫無目的的逛街就和男生玩遊戲一樣，都是有效需求 這是 阿...
區塊鏈應用場景有哪些？
區塊鏈應用場景有哪些？區塊鏈絕對是現在最火的乙個詞，很多人因為位元幣認識了區塊鏈，其實區塊鏈只是位元幣底層的技術，相當於乙個公共的賬本，每個人各記各的賬，去中心 去信任 匿名性是區塊鏈的三大核心特點。去中心化 區塊鏈有許多節點分布式儲存資料，沒有乙個中心能將它們集中起來統一管理，並運用了密碼學的方法...
vue常用修飾符有哪些，有什麼應用場景
在程式世界裡，修飾符是用於限定型別以及型別成員的宣告的一種符號 在vue中，修飾符處理了許多dom事件的細節，讓我們不再需要花大量的時間去處理這些煩惱的事情，而能有更多的精力專注於程式的邏輯處理 vue中修飾符分為以下五種 在我們填寫表單的時候用得最多的是input標籤，指令用得最多的是v mode...