推薦算法是指利用用戶的一些行為，通過一些數(shù)學(xué)算法，推測(cè)出用戶可能喜歡的東西。如何為產(chǎn)品選擇其合適的推薦算法呢？

一、常見推薦機(jī)制/算法

1. 基礎(chǔ)推薦機(jī)制

協(xié)同過濾的風(fēng)險(xiǎn)：

盡管協(xié)同過濾技術(shù)在個(gè)性化推薦系統(tǒng)中獲得了極大的成功，但隨著產(chǎn)品結(jié)構(gòu)、內(nèi)容的復(fù)雜度和用戶人數(shù)的不斷增加，協(xié)同過濾技術(shù)的一些缺點(diǎn)逐漸暴露出來。主要有以下三點(diǎn):

• 稀疏性(sparsity)：在許多推薦系統(tǒng)中，每個(gè)用戶涉及的信息量相當(dāng)有限，在一些大的系統(tǒng)如亞馬遜網(wǎng)站中，用戶最多不過就評(píng)估了上百萬本書的1%~2%。造成評(píng)估矩陣數(shù)據(jù)相當(dāng)稀疏，難以找到相似用戶集，導(dǎo)致推薦效果大大降低。
• 擴(kuò)展性(scalability)：“最近鄰居”算法的計(jì)算量隨著用戶和項(xiàng)的增加而大大增加，對(duì)于上百萬之巨的數(shù)目，通常的算法將遭遇到嚴(yán)重的擴(kuò)展性問題。
• 精確性(accuracy)：通過尋找相近用戶來產(chǎn)生推薦集，在數(shù)量較大的情況下，推薦的可信度隨之降低。

2. 經(jīng)典算法

混合推薦算法：

沒有哪種推薦技術(shù)敢說自己沒有弊端, 往往一個(gè)好的推薦系統(tǒng)也不是只用一種推薦技術(shù)就解決問題, 往往都是相互結(jié)合來彌補(bǔ)彼此的不足, 常見的組合方式如下

1. 混合推薦技術(shù): 同時(shí)使用多種推薦技術(shù)再加權(quán)取最優(yōu);
2. 切換推薦技術(shù): 根據(jù)用戶場(chǎng)景使用不同的推薦技術(shù);
3. 特征組合推薦技術(shù): 將一種推薦技術(shù)的輸出作為特征放到另一個(gè)推薦技術(shù)當(dāng)中;
4. 層疊推薦技術(shù): 一個(gè)推薦模塊過程中從另一個(gè)推薦模塊中獲取結(jié)果用于自己產(chǎn)出結(jié)果

綜上所有的推薦策略和算法，大致可以分為以下常見的推薦策略：

1. 基于內(nèi)容的推薦；
2. 協(xié)同過濾推薦；
3. 混合推薦；
4. 流行度推薦；
5. 其他更高級(jí)的。

二、重要事項(xiàng)

1. 上線前評(píng)估

離線評(píng)估是指在發(fā)布之前，需要去檢驗(yàn)典型的bad case 是否解決。是否達(dá)成一開始的目標(biāo)，如果沒有，則需要繼續(xù)調(diào)整對(duì)應(yīng)算法，直到能夠明顯解決問題。

灰度上線則也是穩(wěn)妥的措施。一開始推薦系統(tǒng)一定是充滿了各種問題，所以為了解決這個(gè)問題，剛開始上線一定不能直接全量上線。正確的做法是，灰度上線一段時(shí)間期間，快速的根據(jù)用戶反饋迭代算法，再考慮全量上線。

用戶反饋的方案包括但不限于：用戶問卷，負(fù)反饋操作入口。

2. ABtest

推薦和搜索一樣，本身極大依賴參數(shù)的配置。而這些參數(shù)的配置并沒有通用的法則，同時(shí)也依賴各個(gè)平臺(tái)自身具體的情況，只能在了解其原理的基礎(chǔ)上，不斷迭代摸索。在算法迭代的過程中，能夠測(cè)試其效果是算法迭代的核心。只有能同時(shí)在線上部署多套搜索算法，并且監(jiān)控其效果，推薦的迭代和改進(jìn)才能展開。而這一切的基礎(chǔ)，正是一個(gè)看不見的功能：AB test機(jī)制。

總結(jié)

1. 推薦算法是需要不斷完善的，如果開始沒有數(shù)據(jù)必定會(huì)結(jié)果不精確；需要一個(gè)可以不斷回收數(shù)據(jù)、驗(yàn)證算法的推薦機(jī)制。
2. 一款產(chǎn)品如果希望基于同好社交來做音樂推薦，則類似基于用戶的協(xié)同過濾，需要通過指標(biāo)找到相同的用戶。當(dāng)前是直接給相同的用戶推薦某一個(gè)推薦規(guī)則，而下一步則是通過算法精準(zhǔn)推薦內(nèi)容。
3. tip：注意降低用戶的嘗新成本。首次推薦的內(nèi)容做到準(zhǔn)確比較難，需要從視覺、交互體驗(yàn)、反饋結(jié)果等多角度說服用戶推薦是有效的，推薦算法的首次展示變得很重要，避免推薦黑箱。
4. 風(fēng)險(xiǎn)：協(xié)同過濾進(jìn)行用戶分群的指標(biāo)否可以沿用，但需要注意冷啟動(dòng)階段的推薦算法是否可以具備可拓展性，即從研發(fā)成本角度考慮是否要做一個(gè)可持續(xù)優(yōu)化的架構(gòu)，而不是當(dāng)用戶數(shù)據(jù)涌入后推翻之前的全部假設(shè)。

從“音樂推薦的價(jià)值”角度考慮，如何設(shè)計(jì)推薦算法指標(biāo)？

用戶角度：

• 聽到當(dāng)下需要的歌（指標(biāo)-與需求場(chǎng)景是否匹配）
• 聽到喜歡的歌（指標(biāo)-是否是喜歡的歌）
• 產(chǎn)生新鮮感和驚喜（指標(biāo)-是否產(chǎn)生新鮮感和驚喜）

產(chǎn)品角度：

• 提升粘性，延長(zhǎng)使用時(shí)間（監(jiān)測(cè)粘性-粘性指標(biāo)-影響粘性的指標(biāo)）
• 降低流失，防止用戶在版權(quán)缺失的情況下轉(zhuǎn)到連接藍(lán)牙模式（監(jiān)測(cè)流失-流失指標(biāo)-防止流失&流失召回的指標(biāo)）
• 成為傳播點(diǎn)，讓用戶在VUI場(chǎng)景下仍然能保證較好的聽歌體驗(yàn)

參考文獻(xiàn)

1. https://www.cnblogs.com/xuanku/p/recsys.html 常見推薦算法科普
2. http://theventurebank.com/pd/683874.html 推薦策略設(shè)計(jì)的Notes
3. http://theventurebank.com/pd/267484.html 懂你的推薦算法，推薦邏輯是怎樣的？
4. https://blog.csdn.net/u010670689/article/details/71513133 5類系統(tǒng)推薦算法,非常好使,非常全
5. http://www.infoq.com/cn/articles/recommendation-algorithm-overview-part01 推薦算法綜述
6. https://blog.csdn.net/myboyliu2007/article/details/19212381?utm_source=tuicool Spark0.9分布式運(yùn)行MLlib的協(xié)同過濾
7. https://blog.csdn.net/fishineye/article/details/69502068 用Python開始機(jī)器學(xué)習(xí)（9：推薦算法之推薦矩陣
8. https://www.cnblogs.com/silencestorm/p/8512504.html 關(guān)于topN問題的幾種解決方案
9. https://blog.csdn.net/whaoxysh/article/details/19038453 Slope one—個(gè)性化推薦中最簡(jiǎn)潔的協(xié)同過濾算法
10. http://www.cppblog.com/AutomateProgram/archive/2010/07/19/120790.html 協(xié)同推薦算法實(shí)踐之Slope One的介紹
11. https://blog.csdn.net/s1162276945/article/details/77531123 隱式/顯式反饋
12. http://theventurebank.com/pd/618662.html 關(guān)于個(gè)性化推薦算法及應(yīng)用場(chǎng)景的幾點(diǎn)思考
13. https://blog.csdn.net/w5688414/article/details/78652159?locationNum=7&fps=1 Deep Learning based Recommender System: A Survey and New Perspectives （3）
14. Yi Zheng, Cailiang Liu, Neural Autoregressive Collaborative Filtering for Implicit Feedback, 2016

本文由 @鋼镚兒yu 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議