产品经理从0-1搭建个性化推荐系统（上）

推荐系统的介绍

1. 什么是个性化推荐系统？
   个性化推荐系统是互联网和电子商务发展的产物，它是建立在海量数据挖掘基础上的一种高级商务智能平台，向顾客提供个性化的信息服务和决策支持。百度百科描述
   

2. 推荐系统的本质是什么？
   推荐系统本质是要解决用户，物品（信息）和场景的连接问题。

3. 验证推荐系统的常见指标有哪些？
   指标通常包括以下五个：
   准确率：表示给用户推荐的物品（信息）中，有多少是用户真正感兴趣的。
   召回率：表示的是用户感兴趣的物品（信息）中，有多少个是系统推荐的。
   覆盖率：推荐系统能够推荐出来的物品，占总物品集合的比例。
   多样性：表示被推荐的物品，两两之间的差异性。
   实时性：能够实时更新推荐列表，来满足用户行为的变化，能够将新加入系统的物品推荐给用户。

4. 常用的推荐算法
   （1）基于用户的协同过滤算法：（核心思想是计算用户-用户的相似度）

   • 找到和目标用户兴趣相似的用户集合（ 计算用户之间的余弦相似度：交集/并集）；
   • 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。
   • 计算用户之间有正反馈物品的相似度（比如A喜欢了的文章和B喜欢了的文章有多少是重合的）

   （2）基于物品的协同过滤算法：（核心思想是基于物品-物品相似度的推荐）

   • 计算物品之间的相似度；（通过计算喜欢物品 i 的用户中有多少也喜欢物品 j，来计算两个物品的相似度）
   • 根据物品的相似度和用户的历史行为给用户生成推荐列表（热门物品和其他物品之间的相似度处理，需要对热门物品进行权重的特殊处理）。

   （3）基于内容的推荐：核心思想是打标签，需要分别生成内容画像和用户画像，再基于用户画像和内容之间的相似度来给用户推荐不同的内容。
   

5. 如何应对系统的冷启动？
   目前无论对哪一种算法为主，都是建立在大量数据的前提下来保证准确度来达到所谓的个性化推荐的。

   • 物品冷启动：没有用户对它产生过行为，如何推荐给感兴趣的用户？
   • 用户冷启动：没有任何历史行为数据，如何给出推荐？
   • 内容冷启动：没有准确的内容画像，如何去做推荐？

   解决方案：

   • 提供非个性化推荐；
   • 搭建多维度标签体系；
   • 利用内容属性推荐给相似物品感兴趣用户（先计算和现有物品的相似度，然后再基于相似度推荐给可能感兴趣的人群）

这一篇文章我们先对个性化推荐系统有个简单的概念，下一篇文章产品经理从0-1搭建个性化推荐系统（下）我们会实战介绍一下关于新闻文章内容推荐模块的搭建，去了解下作为产品经理是如何解决和平衡推荐系统的，未来的其它产品也可以根据下篇实战去套用、去建立你们自己的个性化推荐系统。