推荐系统的主要作用是什么（只需5步小白快速入

相信大家对智能推荐系统不再陌生。现在在内容分发平台、电子商务、广告、音视频等互联网产品中随处可见。

一、为什么越来越多的产品需要推荐系统？

主要有两个原因：

(1）信息过载

随着互联网每天产生的海量信息，用户越来越难以快速准确地找到自己感兴趣的内容或产品。如果用户的目标明确，他可以使用搜索（其实，搜索也是有关键词的推荐，推荐是没有关键词的搜索），但是很多时候我们的用户并没有明确的目标。这时，如果产品能高效匹配用户感兴趣的内容或产品，就能提升用户体验和粘性，获得更多的商业利益。

(2）长尾效应

绝大多数用户的需求往往是专注于主流内容和产品，而忽略大量相对冷门的“长尾”信息，导致很多优秀的内容或产品没有机会被发现和紧随其后的是用户。如果大量长尾信息无法获得流量，信息生产者就会离开平台，影响平台生态的健康发展。

二、了解推荐系统

推荐系统的定义：推荐系统是人和信息之间的连接器，使用现有的连接来预测用户和项目之间的未来连接。

推荐系统本质上是处理信息的，其主要作用是在信息生产者和信息消费者之间架起一座桥梁，从而获得人们的关注。

从人类的角度来看，世界是一个大型数字网络，只有两种类型的节点：人和其他人。万物互联是大势所趋。比如人和人往往有更多的社交联系，所以有各种各样的社交产品；比如人与商品之间的消费联系越来越多，所以电子产品种类繁多。商业产品；比如人和信息的阅读联系越来越多，所以就有了信息流产品。

一个完整的推荐系统通常由以下几部分组成：客户端前端展示、后台日志系统、推荐算法引擎。

个人绘制的推荐系统架构图

构建推荐系统所需的投资：

首先，我们需要建立一个团队，其中算法工程师是必不可少的，目前薪水很高；其次，我们需要购买存储和计算资源。如果不是云产品，可能需要自己购买硬件设备；然后是长期的时间数据积累和算法优化。

推荐系统是需要长期持续投入的东西。在投入产出比和时间成本方面，产品经理要打造智能推荐系统，不要拍大腿。

如何判断一个产品是否需要推荐系统？

首先，看产品的用途。如果产品的目的是建立尽可能多的连接，那么它最终需要一个推荐系统。

典型的目的不是建立连接产品或工具产品，它的存在只是为了提高一些人的工作效率，例如：AXURE、ERP&;...虽然今天很多产品都是从工具开始的，想要成为一个社区，至少在工具属性强的情况下不需要推荐系统。

其次，查看产品的现有连接。如果你的产品中商品很少，可以手动处理，用户产生的连接也不多。此时不适合构建推荐系统。应该有长尾效应才能使推荐系统发挥作用。

三、推荐算法-协同过滤的基本原理

推荐系统中最经典的算法是协同过滤。协同过滤，也称为基于领域的算法，侧重于协作和互助。可以分为两类：基于用户的协同过滤算法（ ）、基于物品的协同过滤算法（ ）。

（1）基于用户的协同过滤算法（）

当用户需要个性化推荐时，他可以先通过用户的相似度计算找到其他与他有相似兴趣的用户，然后将用户喜欢但没有听说过的项目推荐给他。这种方法称为基于用户的协同过滤算法。

如果用户A读过“ ”、“ Pool”和“”，而用户B已经读过“ ”和“”，那么当我们推荐B时，推荐系统计算A和的相似度B比较高，但是用户B没有读过A读过的“流量池”，所以推荐给用户B的“流量池”，就是经典的基于用户的协同过滤。

从上面的描述可以看出，基于用户的协同过滤算法主要包括两个步骤：

找到一组与目标用户兴趣相近的用户；在这个集合中找到用户喜欢的和目标用户没有听说过的项目，推荐给目标用户。

(2）基于物品的协同过滤算法()

在介绍基于物品的协同过滤之前，我们先来看看基于用户的协同过滤可能带来的问题。

基于项目的协同过滤算法，向用户推荐与他们之前喜欢的项目相似的项目。

用户A、B、C分别喜欢的物品如图所示，物品2和物品1的相似度计算公式为：

item 2和item 1的相似度=同时喜欢item 1和item 2的用户数/同时喜欢item 1的用户数=2/3；第 3 项和第 1 项的相似度 = 0；第 4 项和第 1 项的相似度 = 1；如果推荐喜欢项目1的用户D，则推荐优先级为4>2>3。

基于项目的协同过滤算法的主要步骤包括：

计算物品之间的相似度；根据物品的相似度和用户的历史行为，为用户生成推荐列表。

以上只是协同过滤算法的基本原理。现实中的算法模型远比这复杂，很少使用单一模型，基本上是组合模型。我刚开始做推荐系统。至于更复杂的矩阵分解、基于机器学习的推荐算法等，我自己摸索出来，单独分享给大家。

四、推荐系统冷启动

推荐系统需要现有的连接来预测用户和项目之间的未来连接。

对于BAT（百度腾讯阿里）、TMD（今日头条美团滴滴）等巨头来说，积累了大量的用户数据，在智能推荐产品时不存在冷启动问题。

对于很多没有大量用户数据的产品，在这种情况下如何设计一个推荐系统，让用户对推荐结果感到满意，让他们愿意使用推荐系统，这就是冷启动的问题。

冷启动问题主要分为两类：

(1）用户冷启动

用户冷启动主要解决新用户或非活跃用户如何进行个性化推荐的问题。当一个新用户到来时，我们没有他的行为数据，所以我们无法根据他的历史行为预测他的兴趣，所以我们无法为他做出个性化的推荐。

(2）物品冷启动

物品冷启动主要解决如何向可能感兴趣的用户推荐新物品或印象较少的物品的问题。

一般来说，解决冷启动问题可以参考以下方法：

利用用户提供的年龄、性别等数据进行粗粒度的个性化推荐；使用用户的社交网络账号登录（需要用户授权），导入用户在社交网站的好友信息，然后推荐用户好友喜欢的物品；要求新注册用户在首次登录时选择一些兴趣标签，并根据收集到的用户兴趣信息向用户推荐相似的商品；向新用户或不活跃用户推荐热门排名，然后等到收集到用户数据。在特定时间，切换到个性化推荐。 五、评估推荐系统的效果

推荐系统的推荐质量可以通过以下指标来评价，这些指标也是算法模型迭代优化的基础，作为推荐系统的反馈结果。这些指标有的可以定量计算，有的只能定性描述。

(1）预测准确率

准确度体现在用户对推荐内容的点击率、点击后的各种主动行为（购买、分享等）以及停留时长。

(2）覆盖范围

覆盖率描述了推荐系统发现项目长尾的能力。最简单的定义是推荐系统推荐的项目占总项目的比例。

(3）多样性

一个好的推荐系统不仅可以准确地预测用户偏好，还可以扩展用户的视野，帮助用户发现他们可能感兴趣但不容易找到的东西。

例如：你在一个电子商务网站上买了一双鞋，然后你每次登录这个网站，他都会向你推荐鞋子。在这种情况下，您会对推荐系统感到非常失望。这是典型的缺乏多样性。性别。如果用户的偏好已知，大部分推荐系统会向他推荐感兴趣的，一小部分会是测试新兴趣的更好策略。

(4）新奇

新颖的推荐是指向他们以前没有听说过的用户推荐项目。

(5）惊喜

如果推荐结果与用户的历史兴趣不相似，但让用户感到满意，那么可以说推荐结果具有高度的惊喜性。与新颖性的区别在于，推荐的新颖性仅取决于用户是否听说过该推荐。

(6）信任

如果你有两个朋友，一个是你信任的，另一个是经常开火车的，那么如果你信任的朋友推荐你去某个地方旅行，你更有可能听从他的推荐，但如果那个朋友充满 建议您前往相同的地方，但很有可能您不会。这两个人可以看作是两个推荐系统。虽然他们的推荐结果相同，但用户可能会有不同的反应，这是因为用户对他们的信任程度不同。

(7）实时

推荐系统的实时性包括两个方面：一是实时更新推荐列表，满足用户新的行为变化；二是向用户推荐系统中新添加的物品。

(8）鲁棒性

任何能够带来收益的算法系统都会受到攻击。最典型的案例就是搜索引擎作弊与反作弊的斗争。鲁棒性衡量推荐系统抵抗作弊的能力。

郑重声明：本文版权归原作者所有，转载文章仅出于传播更多信息之目的。如果作者信息标注有误，请尽快联系我们修改或删除，谢谢。