推荐系统：算法概述

现在，许多公司都会开发与本身业务息息相关的推荐系统。先荐做为第四范式研发的一款智能推荐产品，已为内容行业的众多媒体客户赋能，实现客户的营收增加。在本文中，咱们将会简要介绍现有的主要推荐算法及其工做原理。

协同过滤

协同过滤（CF）是最经常使用的推荐算法之一，即便推荐系统小白也能够轻松上手，用它来构建属于本身的我的电影推荐系统。

当咱们想向用户推荐某些内容时，最合乎逻辑的作法是找到与这个用户兴趣类似的其余用户，分析他们的行为，而后向咱们的用户推荐相同的物品。或者咱们能够查看用户的历史行为，推荐与它们相似的物品。

以上就是CF中的两种基本方法：基于用户（user-based）的协同过滤和基于项目(item-based)的协同过滤。

“最类似”在算法中意味着什么？

已知每一个用户的偏好向量（矩阵R的每一行）和每一个产品的用户评级向量（矩阵R的每一列）。

首先，只留下已知的两个向量的值。

其次，假设要比较Bill和Jane这两位用户，从图中能够看到，用户Bill没有看过《泰坦尼克号》,用户Jane也没看过《蝙蝠侠》，因此咱们只能经过《星球大战》来测量两者之间的类似性。至于类似性，通常会采用余弦类似性或用户/项目矢量之间的相关性来测量。

最后一步，根据用户类似度，采用加权算术平均值填充表格中的空白单元格。

推荐中的矩阵分解

另外一种方法是使用矩阵分解，这种推荐算法相对更“优雅”。通常来讲，当涉及到矩阵分解时，不会过多考虑哪些项目将保留在结果矩阵的列和行中。使用这种推荐算法，咱们能够看到，u是第i个用户的兴趣向量，v是第j部电影的参数向量。

所以，能够把u和v的点积近似为x（从第i个用户到第j个电影的等级），用已知的分数构建向量并用它们来预测未知等级。

例如，在矩阵分解后，咱们获得用户Ted的矢量（1.4, 0.9）和电影A的矢量（1.4, 0.8），以后只要计算矢量（1.4, 0.9）和（1.4, 0.8）的点积，就能获得A-Ted的等级，结果是2.68。

聚类

之前的推荐算法至关简单，这样的算法一般适用于小型的推荐系统。那么想象一下，咱们正在建一个大型推荐系统，在这个系统中，协同过滤和矩阵分解会花很长时间。这时候咱们应该作的第一件事就是聚类。

在业务开始时，缺少用户以前的评分，聚类是最好的方法。

在数据足够多的时候，最好使用聚类做为协同过滤中缩小相关选择的第一步。除此此外，聚类还能够改善复杂推荐系统的性能。

每一个群集分别表明一类典型的用户，基于用户群集中用户的兴趣画像，群集中的用户也会收到对应的推荐结果。

推荐中的的深度学习方法

在过去的10年中，神经网络技术取得了巨大的进步。如今，神经网络被普遍地应用于各个领域，并逐渐取代传统的ML方法。接下来咱们就分析一下YouTube是如何使用深度学习方法的。

毫无疑问，因为用户规模大、动态语料库和各类不可控的外部因素，为这样的业务场景搭建推荐系统是一项很是具备挑战性的任务。

据相关研究Deep Neural Networks for YouTube Recommendations，YouTube推荐系统算法由两组神经网络组成：一组用于候选生成，一组用于排序。如下是这项研究的主要内容：

将用户的历史事件做为输入，经过候选生成网络显著减小视频量，而后从大型语料库中建立一组最相关的视频。

生成的候选者与用户相关性最高，以后预测候选者的等级。该网络的目的是经过协同过滤提供个性化推荐。

在此步骤中会有少许与用户类似的候选者。接下来咱们须要越加仔细地分析这些候选者，以便作出最好的决策——该任务由排序网络完成。

排序网络能够根据目标函数为每一个视频打分，该目标函数使用的是描述视频的数据和与用户行为相关的信息。打分最高的视频会按分数排序，呈现给用户。

通过以上这两个步骤，咱们能够实现把庞大的视频集精准推荐给用户的操做，同时确保少数视频还是个性化推荐。

文章来源：Recommendation System Algorithms

以上内容由第四范式-先荐编译。

相关阅读：

推荐系统的工做流程

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）。

本帐号为第四范式智能推荐产品先荐的官方帐号。帐号立足于计算机领域，特别是人工智能相关的前沿研究，旨在把更多与人工智能相关的知识分享给公众，从专业的角度促进公众对人工智能的理解；同时也但愿为人工智能相关人员提供一个讨论、交流、学习的开放平台，从而早日让每一个人都享受到人工智能创造的价值。