推荐系统的应用案例剖析[页4]

三岔路口红绿灯,网络营销学习,吴振鹏

我们先从做一个首页显示热门榜单开始，这是一个非常容易实现的功能，计数、排序、简单分类：中国、欧美、日本和韩国，按流派也行：流行、摇滚、古典，甚至按年龄段或者群体，不外乎是几个数据库搜索的事情。但是这些热门排行榜却作用非凡，用户可以从中发现当前的大趋势（Trending），比如说，现在张杰比周杰伦风头要盛，听听张杰的看看怎样。由此榜单也能帮助用户发现他本来兴趣圈以外的东西。这么容易实现的功能，却也可以带来不少的好处。

然后我们来聘请一批专业的媒体编辑员，让他们根据我们歌曲库里的内容，生成比较专业的榜单，比如：“高逼格小清新”，“喧嚣中，不妨试的调调” 还有 “被遗忘的经典华语女声”。用过其它的歌曲软件的人估计对这个也不陌生，比如说虾米。这个也能很大程度上帮助用户发现兴趣圈以外的东西，而且由专业人员生成的歌单，更有目的性，比如说你喜欢苏打绿是因为“小清新”，那么在“小清新”的歌单里的，就是一大批高质量的，对你而言非常优秀的推荐了。这样的功能也能很快组织和实现起来，好处也是大大的。

这其实就是人工推荐和程序推荐的结合。

最后，看到了知乎的威力以后，我们考虑做UGC。从做一个简单的UGC功能开始，我们现在另开一个数据库，允许用户保存自己的歌单，并在个人主页推荐这些歌单。同时我们在主页中定期置顶一些访问量较大的歌单。功能上非常容易实现。UGC所激发的用户潜能可以使得用户产生与专业编辑员质量相当的、甚至更高的歌单。功能上的实现实在是再简单不过，效果更是不言而喻。

这就是不同歌单之间的交互。

这时，我们的很大一部分问题得到解决，就算是我们的基于相似度的算法所产生的推荐并不是那么好的时候，我们的用户并不会由此而失去发现音乐的途径。听歌的人多了，老用户们持续产生高质量的数据，之前的个性化推荐算法也能有更好数据来调整参数，从而产生更好的音乐推荐，更好好的用户群体也能推动热门榜单与UGC的发展，进入良性循环。

大型推荐系统的技术方案

我们知道，电子商务的公司需要定制化界面。否则手机那么小的界面，根本没有办法呈现用户所需的信息，用户很容易流失。所以，因人而异，制定不同的定制化页面是移动互联网时代的制胜关键。那么如何制作一个大型的商品推荐系统呢？比如制作一个类似淘宝口碑那样的兴趣点商品推荐系统。

在制作技术方案时，要考虑用户需求的种类，无非是分：

• 你可能需要买的东西（普遍性需求）；
• 你现在想要买的东西（即时刚需）；
• 你潜在想要买的东西（潜在普遍性需求和潜在即时刚需）。

这跟淘宝一直标榜的个性化搜索差不多，首页中有很多广告位，其中以首页的焦点图第2，3,4页最为明显，这里的图片都是商家拍下广告位然后投放的，拍广告位的时候可以选择通投、地域、兴趣点等等。

通投就是所有的人都可以看到的

地域是按不同的地方投放，

 兴趣点就是淘宝对你以往的购买记录进行分析，以及你的搜索情况等，计算出你可能感兴趣的。

在具体的商品推荐技术实现上，淘宝/天猫的商品推荐采用了逻辑回归算法，用了上百亿的特征，并基于库存等约束来进行商品推荐。由于逻辑回归的算法本质上属于一种单层神经网络系统，所以大致的结构如下所示：

其中layer1代表输入的商品特征，比如可以是目前的所有商品，以及其他所能想到的各种特征，layer2可以是目前的所有商品。目的是：当用户购买了一些商品之后，向用户推荐别的**商品。所以训练数据是：输入用户购买的数据的各种特征（没购买或浏览的商品的特征可以为零），输出是用户随后购买的商品（没购买的商品可以设置输出为零）。所以通过大量数据训练后，可以得到一个神经网络，这个神经网络就是所求的推荐系统。这样，每一个用户所看到的商品都是不同的，而且都是她/他很有可能要购买的。

值得一提的是，谷歌或者facebook的推荐系统也采用了逻辑回归算法。

综上所述，我们已经把推荐系统的应用案例剖析讲完了。我们将从下一期开始讲述LBS应用中的数据挖掘方法。

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》。

感谢您的阅读,您可以将本文推荐系统的应用案例剖析分享给您的朋友.

LBS推荐系统的设计方法

在中，我们介绍了POI（兴趣点）的设计及其搜索。由于推荐系统是兴趣点系统的核心，所以接下来，我们将介绍推荐系统。推荐系统是一个很庞大的课题，将分成两期予以介绍：本期讲述推荐系统的设计方法，包含推荐系统的数学基础和设计原理。