推荐系统的工做流程

在互联网飞速发展的现代社会，人们天天都要受到成百上千条信息的轰炸，APP推送、新闻热点、信息流广告……一个有效的“信息过滤器”已经成为了人们平常生活的刚需，也是信息供应商在激烈的市场环境中脱颖而出的必杀技。

推荐系统正扮演着这样一个角色，它如同筛子通常，帮咱们找到最想要的内容。可是，推荐系统太高的技术门槛和研发成本把不少企业挡在了门外。第四范式基于机器学习技术推出的智能推荐产品先荐，专一于内容行业的个性化推荐，凭借自身的技术优点有效解决着这一难题，已经服务了36氪、花瓣、果壳等知名媒体，不断受到行业内的普遍好评。

在接下来的文章中，先荐将系统地讲解推荐系统的相关知识，但愿各位技术爱好者能对推荐系统有更多、更多的了解。首先，咱们将从推荐系统的工做流程讲起。

1. 信息收集阶段

这一阶段会收集用户的相关信息，用以生成预测任务的用户画像，这些信息包括用户属性、用户行为或用户访问的资源。只有用户画像彻底创建后，推荐系统才能开始运行。推荐系统须要尽量多地了解用户，这样的话从一开始就能为用户提供合理的推荐结果。

推荐系统依赖于不一样类型的输入，例如最直接的显式反馈，即用户直接输入感兴趣的内容，或隐式反馈，即经过观察用户行为间接地推断用户偏好，还能够经过显式和隐式反馈的组合来得到混合反馈。

以网络学习平台为例，用户画像是与特定用户相关联的我的信息的集合。这些信息包括该用户的认知技能、智力水平、学习方式、兴趣爱好以及交互行为等。用户画像一般用于用户模型构建时信息检索所需。换句话说，用户画像粗略地反映了用户模型。要想作成功一个推荐系统，很大程度上取决于其对用户兴趣的表征能力。要想得到准确的推荐结果，准确的用户模型必不可少。

1.1 显式反馈

网站通常会在用户操做界面上提示用户对内容作出评价，以便构建和改进该用户的用户模型。推荐结果的准确性取决于用户提供的评级数量。用户的评级数量越多，推荐结果越准确。显式反馈的惟一缺点是，很是依赖用户评级的积极性，并且，用户不是时时刻刻愿意作出评级。不过，相比之下，显示反馈不涉及到从用户行为中获取用户偏好这一步，所以提供的数据更可靠，整个推荐过程也更透明，可以更好地感知推荐系统的质量，从而提升用户满意度。

1.2 隐式反馈

网站后台经过监测用户的不一样行为，自动推测用户的兴趣偏好，例如购买历史、导航历史，在某些网页上停留的时间、用户点击的连接、按钮、以及电子邮件内容等。隐式反馈从用户行为中推断用户的偏好，减轻了用户的评级负担。隐式反馈对用户评级的积极性要求不高，准确性也较低。

也有一些人认为，用户隐性反馈的数据实际上更客观，在隐式反馈的状况下，用户不须要以社会大众指望的方式作出反应，也没有任何维护自我形象的需求，所以提供的数据更真实。

1.3混合反馈

隐式和显式反馈的优点能够在混合系统中结合，以最大限度地下降两者的不足并实现性能最佳的推荐系统。具体来看，用隐式反馈的数据来校验显式反馈的数据，或仅容许用户在表达明确兴趣时给出显式反馈。

2. 算法学习阶段

在这一阶段，系统会经过学习算法，过滤上一阶段获得的用户反馈，并提取用户特征。关于这一部分的详细内容，咱们会在后续的文章中介绍。

3. 预测/推荐阶段

在这一阶段，系统会预测用户可能喜欢的内容类型。这一步能够直接基于在信息收集阶段收集的数据集（基于存储器或基于模型）来实现，也能够经过后台监测到的用户行为来实现。

推荐系统的工做流程

在下一篇文章中，咱们将会详细介绍推荐的过滤技术，敬请期待。

相关阅读：

白话推荐系统

想要了解推荐系统？看这里！（2）——神经网络方法

想要了解推荐系统？看这里！（1）——协同过滤与奇异值分解

AutoML如何实现智能推荐系统的自动上线和运维？

入门推荐系统，你不该该错过的知识清单

如欲了解更多，欢迎搜索并关注先荐微信公众号（ID：dsfsxj）。