作為一個(gè)喜歡思考人生的美男子，我時(shí)常感慨，現(xiàn)在這個(gè)年代，人們上網(wǎng)獲取信息的成本真的好低。智能手機(jī)，人手一臺(tái)，打開3G就能上網(wǎng)，百度一搜，什么都有。當(dāng)然百度上搜出來的大多數(shù)可能并不是你想要的，但這并不妨礙上面的論點(diǎn)成立。也正是因?yàn)槌杀咎停藗兎炊辉敢庵鲃?dòng)取獲取信息，于是各種各樣的推薦系統(tǒng)有了大展身手的機(jī)會(huì)。

推薦在生活中是一個(gè)再平常不過的事情，你失業(yè)了，有人會(huì)給你推薦工作，你失戀了，有人會(huì)給你推薦姑娘。但是在我們這個(gè)機(jī)器遠(yuǎn)沒有人類聰明的時(shí)代，這些事情要是交給機(jī)器去做，你就得設(shè)計(jì)出一套機(jī)器能理解的算法出來，這就是所謂的推薦算法。大家看到算法兩個(gè)字不要慌，以為我又要搬一個(gè)大東西出來嚇唬人。你可以把算法看做現(xiàn)實(shí)生活中的辦事流程，它規(guī)定了你第一步干什么，第二步干什么，只要你按它說的做，就可以把事情辦好。舉個(gè)例子，你現(xiàn)在要做一個(gè)電影推薦APP，我們來看下整個(gè)過程是怎樣的。

在推薦算法中，我們第一步要有一大堆要推薦的東西。也就是說，你的電影首先要足夠多，才能滿足不同用戶的需求。算法再精準(zhǔn)，最后發(fā)現(xiàn)推導(dǎo)出來的結(jié)果，在你的數(shù)據(jù)庫中并沒有，就悲劇了。第二步是要有用戶的行為數(shù)據(jù)。這個(gè)也是越多越詳細(xì)越好。這時(shí)候你要把看了哪部電影，看完沒有，評價(jià)怎么樣悄悄的記下來，上傳到后臺(tái)服務(wù)器。經(jīng)過長期的積累，這些數(shù)據(jù)將為你以后的精準(zhǔn)推薦奠定基礎(chǔ)。

有了上面的數(shù)據(jù)基礎(chǔ)，我們就可以進(jìn)入正題了。推薦算法有不少，我們今天介紹一種最基本的叫做協(xié)同過濾算法。它的核心思想是物以類聚，人以群分。具體可以分為基于用戶的協(xié)同過濾算法和基于物品的協(xié)同過濾算法。我一直覺得專業(yè)領(lǐng)域起這種高大上的名字，是用來過濾智商的，因?yàn)楹芏嗳丝吹竭@里就不打算往下看了，哈哈。

先看第一種基于用戶的協(xié)同過濾?？梢院唵卫斫鉃槲译m然不認(rèn)識(shí)你，但是我通過查看你的朋友圈都是些什么人，根據(jù)人以群分的道理，他們喜歡的很可能就是你喜歡的。

假設(shè)從歷史數(shù)據(jù)上來看，用戶A喜歡《捉妖記》、《大圣歸來》，用戶B喜歡《梔子花開》、《小時(shí)代》，用戶C喜歡《捉妖記》。那我們就可以簡單認(rèn)為AC二人口味相似，可以歸到一個(gè)朋友圈里，C極有可能也喜歡A所喜歡的《大圣歸來》。

這是最簡單的情況，實(shí)際上僅僅用喜不喜歡來評價(jià)感興趣程度是遠(yuǎn)遠(yuǎn)不夠的，用戶不可能看完還填個(gè)調(diào)查表選擇yes or no，但是會(huì)通過一些其他行為比如影評、是否收藏來反應(yīng)他們的喜歡程度。機(jī)器只能理解量化的東西，所以在算法中，這些行為會(huì)轉(zhuǎn)化成相應(yīng)的分?jǐn)?shù)。比如完整看完的，給3分；看完還給了正面評價(jià)的，給5分；看到一半就怒刪的，給負(fù)10分。這樣每個(gè)用戶都會(huì)有一個(gè)電影評分表，在計(jì)算兩個(gè)用戶相似度的時(shí)候，把這些數(shù)據(jù)代入下面這種專門計(jì)算相似度的公式，就能得到二人口味的相似程度。

現(xiàn)在我們要給用戶D推薦電影，分別計(jì)算AD、BD、CD的相似度，找到跟D最相似的用戶，然后把他喜歡的，都推薦給D，就行了。(下面的公式叫做余弦相似度公式，通過計(jì)算n維空間中兩個(gè)向量的夾角余弦，來表示相似度，大家感受一下就好，感興趣的可以去問google。)

第二種是基于物品的協(xié)同過濾。基本思想是假設(shè)甲乙是相似的物品，那么喜歡甲的人，很可能也喜歡乙。還是上面的例子，現(xiàn)在假設(shè)用戶E喜歡《梔子花開》和《小時(shí)代》，那我們可以推導(dǎo)出，喜歡《梔子花開》的用戶(B和E)都喜歡《小時(shí)代》，那基本可以確定兩部電影是相似的，下回來個(gè)用戶F，他喜歡《梔子花開》，那我順便就把《小時(shí)代》推薦給他，他可能比較容易接受。

大家可能要問，我的APP第一天上線，沒有這些所謂的用戶行為數(shù)據(jù)怎么推薦啊。這就是推薦算法面臨的冷啟動(dòng)問題。這時(shí)候可以用基于內(nèi)容的算法了。你可以事先把所有電影歸個(gè)類，戰(zhàn)爭片歸到一起，喜劇片歸到一起，動(dòng)畫片歸到一起。用戶H看了一部喜劇片，你就把所有喜劇片推薦給他。顯而易見，這種算法簡單粗暴，當(dāng)然命中率也最低。

真正的推薦系統(tǒng)會(huì)綜合運(yùn)用各種算法，加之機(jī)器學(xué)習(xí)和人工調(diào)優(yōu)的不斷改進(jìn)，所以是非常復(fù)雜的。

#專欄作家#

給產(chǎn)品經(jīng)理講技術(shù)，微信公眾號（pm_teacher），人人都是產(chǎn)品經(jīng)理專欄作家。資深程序猿，專注客戶端開發(fā)若干年，對前端、后臺(tái)技術(shù)略懂，熱衷于對新的科技領(lǐng)域的探索。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，不得轉(zhuǎn)載。