LBS推荐系统的设计方法[页10]

通山一中,杀伐曲,吱吱喳喳kyo让封了

• 效率（Efficiency）：效率；
  
• 稳定性（Stability）：选择基于变动频度较低的因子来建立推荐算法。例如，如果商品基本固定，用户不断变化，则选择基于item的算法；
  
• 说服力（Justifiability）：如果要考虑说服力，则优先选择基于item的算法，因为比较容易理解；例如，因为你喜欢三星Galaxy，所以给你推荐HTC One；
  

• 惊喜度（Serendipity）：如果要考虑惊喜度，则优先选择基于用户的推荐。

在工业界，通常采用的推荐算法如下：

• 多种算法融合+ 统一模型（Model）→划分等级（Ranking/Filtering）；
• 通过不同的输出来决定使用不同的算法。

（3）做协同过滤推荐的步骤

1）若要做协同过滤，那么收集用户偏好则是关键。可以通过用户的行为诸如评分（如不同的用户对不同的作品有不同的评分，而评分接近则意味着喜好口味相近，便可判定为相似用户）、投票、转发、保存、书签、标记、评论、点击流、页面停留时间、是否购买等获得。

2）收集用户行为数据之后，接下来便要对数据进行减噪与归一化操作（得到一个用户偏好的二维矩阵，一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是 [0,1] 或者[1, 1]的浮点数值）。

3）计算相似用户或相似物品的相似度。

4）计算出来的这两个相似度将作为基于用户、物品的两项协同过滤的推荐。

基于内容的推荐

所谓内容（Content），是指能够描述用户/物品的特征，比如：

对于物品来说，要考虑的内容特征有以下三项。

（1）电影

对电影来说，需要考虑的特征如下。

• 电影：红番区；
• 类型：动作/冒险；
  
• 演员：成龙；
  
• 年份：1997。

（2）文本

对文本来说，需要考虑的特征如下。

• 词性；
• 单词转化为向量（Word2vec）；
  
• 主题。

（3）多媒体

对多媒体来说，需要考虑的特征如下。

• Audio；
• 图片像素。
  

总的来说，对用户特征来说，要考虑的内容特征如图2所示。

图2  用户特征

将用户或物品的特征进行统一表示（例如表示成特征向量），即可利用相似度来进行等级（ranking）划分，从而推荐。

总的来说，协同过滤往往没有考虑用户或物品本身的特征，但能保证有一定的惊喜度。而基于内容的推荐能够充分应用物品（item）和用户自身的特征信息，且能够提供明确的推荐理由，但是容易推荐过于一致的结果。

综上所述，我们已经把推荐系统的数学基础和设计原理讲完了。为了读者能深入了解推荐系统的设计，我们可访问《推荐系统的应用案例剖析》一文，了解更多推荐系统应用案例。

作者简介

贾双成，阿里巴巴资深工程师，擅长于数据编译、数据挖掘的系统分析和架构设计，主持研发过多个高端车载导航及adas数据编译器。曾发表发明专利、论文四十余篇，著有《LBS核心技术揭秘》、《数据挖掘核心技术揭秘》。

超越Web：2015年的JavaScript

感谢对《》一文的翻译。