推荐系统概念篇

概念篇

1.1 什么是推荐系统？

1.1.1 能做什么？

推荐系统可以把那些最终会在用户（User）
和物品（Item）之间产生的连接提前找出来。
强调 “连接”，人与任何其他的连接，
其他可指人、咨询、消费品、服务等。

1.1.2 需要什么？

需要已经存在的连接，从已有的连接去预测未来的连接。

1.1.3 怎么做？

机器推荐和人工推荐

1.1.4 总结

用已有的连接去预测未来用户和物品之间会出现的连接。

1.2 你需要推荐系统吗？

1.2.1 看产品的目的

为了建立越多连接越好的产品。

1.2.2 看产品现有连接

用户和物品数量过多，且者用户和物品之间连接很少。

1.3 推荐系统的预测问题模式

1.3.1 评分预测 20%

通过用户显性反馈，提前预测用户对物品的打分。
存在的问题：
（1）数据不易收集
（2）数据质量不能保证
（3）评分的分布不稳定

1.3.2 行为预测 80%

通过隐式的反馈用户数据，进行提前预测
好处：
（1）数据比显式反馈更加稠密
（2）隐式反馈更代表用户真实想法
（3）隐式反馈和模型目标函数更密切

1.4 推荐系统的顽疾

1.4.1 冷启动问题

新用户或不活跃用户，以及新物品或展示次数
较少的物品，这些用户和物品，由于缺乏相关
数据，就是冷启动问题关注的对象。

1.4.2 探索与利用问题，即EE问题

（1）全部推荐用户感兴趣的物品
（2）无视兴趣，按其他逻辑推荐
（3）大部分推荐感兴趣的，小部分试探新兴趣 *

1.4.3 安全问题

（1）给出不靠谱的推荐结果，影响用户体验和品牌形象
（2）收集了不靠谱的数据，持续留存在产品中
（3）损失产品的商业利益

1.5 推荐系统中的思维模式

1.5.1 认识推荐系统关键元素的重要性

（1）UI人机交互设计和UE用户体验设计：颜值即正义 ****
（2）数据：产品的基石 ***
（3）领域知识：行业的常识和通识，如电商、音乐、
新闻等不同领域所具备知识不同，即关注点不同 **
（4）算法：短期作用不大，但作用在长期 *

1.5.2 目标思维和不确定思维

传统软件追求稳定和满足预期，强调逻辑、因果和分层；
但推荐系统追求的是指标的增长，强调目标与不确定性。
量化目标，用概率看结果。