推荐算法的物以类聚人以群分 _推荐算法

在理解了内容和用户的基础特征之后，我们将进一步探讨推荐算法是如何匹配用户和内容的。概括而言，这一过程所做的就是“物以类聚，人以群分” 。
一、物以类聚：基于内容属性的相似性推荐
有了完善的物品画像，我们就可以基于其固有属性来计算物品与物品之间的相似度，从而推荐与用户历史消费相似的新物品。以内容推荐为例，其用于相似度计算的常见因素有：作者层面的相似性（基于订阅或偏好关系），内容层面的相似性（如关键词、话题、类目、聚类、标签等）。
基于内容属性的推荐方式，常见于音乐（如潘多拉）、电影和书籍（如豆瓣）的推荐场景中。以图书推荐场景为例，在豆瓣图书上，有三本书分别有如下标签：

文章插图

从标签层面不难看出，《推荐系统实践》与《推荐系统》在标签集合层面拥有更多的相同标签，具有更高的相似度。那么，当用户A选择了《推荐系统实践》之后，系统应当优先给他推荐的是《推荐系统》，而非《大数据时代》。
如果想要进一步细化，那么可以借助TF–IDF方式给不同的标签设定权重。其基本思想是：出现频率越高的标签区分度越低，反之亦然。比如“计算机”是一个高频出现的标签，那么这个标签的区分度就没有那么高，权重较低；而“推荐系统”是一个低频出现的标签，则该标签就更具有显著性和区分度，权重较高。
基于内容属性推荐的好处在于，只依赖物品本身的特征而不依赖用户的行为，让新的物品、冷僻的物品都能得到展示的机会。其存在的问题在于，推荐质量的优劣完全依赖于特征构建的完备性，但特征构建本身是一项系统的工程，存在一定成本。在上面的例子中，如果标签词粒度不够细，不能够全面描述书的内容（比如每本书的标签词只有三个），就很难计算出置信的相似度，达不到足够好的推荐效果。
此外，基于内容属性推荐没有考虑用户对物品的态度，用户的品位和调性很难得到诠释和表达。比如，市面上关于内容分发的书籍很多，仅从标签词上很难分辨出高下。为了在推荐中更好地引入受众反馈因素，提出了基于用户行为的“协同过滤”概念。
二、人以群分：基于用户行为的协同过滤
举一个生活中的场景：初次为人父母，“无证上岗”的新手爸妈们内心是激动而又惶恐的。“打听”成了他们育儿的重要法宝之一。“你家宝宝用的是什么沐浴液啊？”“你们有没有上什么早教班啊？”……我在的多个亲子群里，无时无刻不在发生这样的讨论。这样的讨论也构成大家进行后续消费决策的主要因素之一。
这种基于人和人之间的相互推荐固然是弱社交关系分发的一种形态，但促成大家进行价值信息交换和购买转化的，其实是人和人之间的相似点，即为人父母、拥有相似的价值观和消费观。

把用户的消费行为作为特征，以此进行用户相似性或物品相似性的计算，进行信息匹配，是协同过滤（Collaborative Filtering）的基础。
协同推荐可以分为三个子类：基于物品（Item-based）的协同、基于用户（User-based）的协同和基于模型（Model-based）的协同。

基于用户的协同就契合了上面的例子，其基础思路分为两步：第一步，找到那些与你在某一方面口味相似的人群（比如你们都是新手爸妈，倾向于同一种教育理念）；第二步，将这一人群喜欢的新东西推荐给你。
下图中，用户A和用户C都阅读了内容A和内容C，用户B阅读了内容B 。基于阅读行为来看用户相似度，用户A和用户C更为相似。那么，当用户C阅读了新内容D之后，这一内容就应当推荐给用户A 。

文章插图

基于物品的协同，其推荐的基础思路是：先确定你喜欢什么物品，再找到与之相似的物品推荐给你。只是物品与物品间的相似度不是从内容属性的角度衡量的，而是从用户反馈的角度衡量的。
比如下图中，内容A和内容C都被用户B、C阅读，从阅读行为的角度看，两篇内容更相似。那么，当用户A阅读了内容A时，系统就选择与内容A相似的内容C，将其推荐给用户A 。