推荐系统实战(1)
“信息过载”与推荐系统
茫茫的互联网中有越来越多的海量内容，而且这些内容的增长速度已经超越了人类大脑容量的处理速度，我们把这个问题叫做“信息过载”。
我们需要相应的技术手段来帮助我们处理“信息过载”问题。解决或者缓解“信息过载”问题的核心是需要一个漏斗来减少最终呈现给用户的信息数量（即 N -> 1问题），手段主要是下面三种：
融合
对相似的信息进行聚类融合，最终只呈现融合后的信息
摘要
对信息进行摘要，使得用户通过最少的内容来获取核心信息
筛选
对信息进行过滤，只呈现对用户有用的信息。
推荐系统主要就是通过筛选的方法来解决“信息过载”问题的。那么现在问题来了， 什么是“对用户有用的信息“呢？我们可以先来看下信息的长尾曲线：
“对用户有用的信息”可以分为两类：
1. Tall Head
这一部分是大家都在看的热点内容，是互联网用户用手投票出来的内容（通过点击，点赞，评论， 推荐，转发，收藏等用户行为），用户需要这些信息来保持与社会的同步。我们叫它“基于热度的推荐”。
2. Long Tail
这一部分体现的是用户自身独特的兴趣和趣味，它很小众但却是技术最能打动用户的地方。我们叫它“个性化推荐”。
为什么要解决“信息过载”问题
为什么互联网公司热衷于解决“信息过载”问题呢？因为解决了它，会给商业带来至少两点好处：
1.提高用户指标： 展示对用户有用的信息会带动用户的互动（提高点击率，转化率…）和粘性（提高用户逗留时长，DAU…），用户指标的提高与商业指标的提升呈明显的正比关系（对电商平台而言直接对应GMV，客单价，客户流失率等； 对内容平台直接对应可能产生的广告收益…）。
2.提高用户模型价值：个性化推荐的副产品是用户画像，这些用户画像是用户特征的多维度刻画，本身就是一种高价值的数据产品，可用于需要定向化投放的各种产品（如广告）。DMP（Data Management Platform）公司就是卖这个的。
