推薦系統的工作流程

作者：由第四正規化天樞發表于文化時間：2019-08-08

在網際網路飛速發展的現代社會，人們每天都要受到成百上千條資訊的轟炸，APP推送、新聞熱點、資訊流廣告……一個有效的“資訊過濾器”已經成為了人們日常生活的剛需，也是資訊供應商在激烈的市場環境中脫穎而出的必殺技。

推薦系統正扮演著這樣一個角色，它如同篩子一般，幫我們找到最想要的內容。但是，推薦系統過高的技術門檻和研發成本把很多企業擋在了門外。第四正規化基於機器學習技術推出的智慧推薦產品先薦，專注於內容行業的個性化推薦，憑藉自身的技術優勢有效解決著這一難題，已經服務了36氪、花瓣、果殼等知名媒體，不斷受到行業內的廣泛好評。

在接下來的文章中，先薦將系統地講解推薦系統的相關知識，希望各位技術愛好者能對推薦系統有更多、更多的瞭解。首先，我們將從推薦系統的工作流程講起。

1。資訊收集階段

這一階段會收集使用者的相關資訊，用以生成預測任務的使用者畫像，這些資訊包括使用者屬性、使用者行為或使用者訪問的資源。只有使用者畫像完全建立後，推薦系統才能開始執行。推薦系統需要儘可能多地瞭解使用者，這樣的話從一開始就能為使用者提供合理的推薦結果。

推薦系統依賴於不同型別的輸入，例如最直接的顯式反饋，即使用者直接輸入感興趣的內容，或隱式反饋，即透過觀察使用者行為間接地推斷使用者偏好，還可以透過顯式和隱式反饋的組合來獲得混合反饋。

以網路學習平臺為例，使用者畫像是與特定使用者相關聯的個人資訊的集合。這些資訊包括該使用者的認知技能、智力水平、學習方式、興趣愛好以及互動行為等。使用者畫像通常用於使用者模型構建時資訊檢索所需。換句話說，使用者畫像粗略地反映了使用者模型。要想做成功一個推薦系統，很大程度上取決於其對使用者興趣的表徵能力。要想獲得準確的推薦結果，準確的使用者模型必不可少。

1。1 顯式反饋

網站一般會在使用者操作介面上提示使用者對內容做出評價，以便構建和改進該使用者的使用者模型。推薦結果的準確性取決於使用者提供的評級數量。使用者的評級數量越多，推薦結果越準確。顯式反饋的唯一缺點是，非常依賴使用者評級的積極性，而且，使用者不是時時刻刻願意做出評級。不過，相比之下，顯示反饋不涉及到從使用者行為中獲取使用者偏好這一步，因此提供的資料更可靠，整個推薦過程也更透明，能夠更好地感知推薦系統的質量，從而提高使用者滿意度。

1。2 隱式反饋

網站後臺透過監測使用者的不同行為，自動推測使用者的興趣偏好，例如購買歷史、導航歷史，在某些網頁上停留的時間、使用者點選的連結、按鈕、以及電子郵件內容等。隱式反饋從使用者行為中推斷使用者的偏好，減輕了使用者的評級負擔。隱式反饋對使用者評級的積極性要求不高，準確性也較低。

也有一些人認為，使用者隱性反饋的資料實際上更客觀，在隱式反饋的情況下，使用者不需要以社會大眾期望的方式做出反應，也沒有任何維護自我形象的需求，因此提供的資料更真實。

1。3混合反饋

隱式和顯式反饋的優勢可以在混合系統中結合，以最大限度地降低二者的不足並實現效能最佳的推薦系統。具體來看，用隱式反饋的資料來校驗顯式反饋的資料，或僅允許使用者在表達明確興趣時給出顯式反饋。

2。演算法學習階段

在這一階段，系統會透過學習演算法，過濾上一階段得到的使用者反饋，並提取使用者特徵。關於這一部分的詳細內容，我們會在後續的文章中介紹。

3。預測/推薦階段

在這一階段，系統會預測使用者可能喜歡的內容型別。這一步可以直接基於在資訊收集階段收集的資料集（基於儲存器或基於模型）來實現，也可以通過後臺監測到的使用者行為來實現。