1704850280
1704850281
1704850282
1704850283
基于用户的协同算法在1992年就已经被提出,而基于物品的协同算法直到2001年才被亚马逊提出。大家一度认为基于物品的协同要优于基于用户的协同,这是因为大型电商网站的用户数量往往远大于商品数量,且商品的更新频率相对较低,基于物品的协同能够以离线运算的方式获得更好的推荐效果。但对新闻推荐系统、社交性推荐系统等而言,其物品是海量和频繁更新的,故而基于用户的协同也有着相应的用武之地。
1704850284
1704850285
协同类推荐的典型应用场景,如豆瓣在书籍介绍下展示的“喜欢读×××的人也喜欢……”。
1704850286
1704850287
基于模型的协同,是用用户的喜好信息来训练算法模型,实时预测用户可能的点击率。比如,在Netflix的系统中就将受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)神经网络应用于协同过滤。将深度学习应用于基于模型的协同,也成了业界广泛使用的方式。
1704850288
1704850289
1704850290
1704850291
1704850292
图3–3 协同类推荐典型应用场景示例
1704850293
1704850294
协同推荐是目前应用最为广泛的推荐机制,其基于用户行为的特点使我们不需要对物品或信息进行完整的标签化分析和建模,从而实现了领域无关,可以很好地发现用户的潜在兴趣偏好。考虑到协同过滤的方式依赖历史数据,新的用户和新的物品会存在冷启动的问题,将在后续的章节中进行探讨。
1704850295
1704850296
1704850297
1704850298
1704850300
内容算法:把内容变成价值的效率系统 从算法到应用
1704850301
1704850302
介绍了系统架构、内容画像与用户画像的建设、基础推荐算法,推荐系统的骨架算是大体搭建完了。然而,作为一套提供综合服务的推荐应用,仅有骨架是不够的,还需一副花样皮囊,通过场景划分和交互界面来实现效能最大化。
1704850303
1704850304
场景划分
1704850305
1704850306
一个复合型产品是包含多场景的,推荐算法会针对不同场景做出相应的调整和适配。参考2015年Netflix发表的论文,我们可以一窥在不同场景下Netflix的产品设计和算法应用。
1704850307
1704850308
垂类个性化推荐视频,如图4–1中的悬疑电影推荐、浪漫电影推荐,应用了PVR(Personalized Video Ranker)算法,针对每个用户推荐个性化的内容。这使得用户在同一类目下(如图4–1中的悬疑电影、浪漫电影)也会有不同的消费体验。
1704850309
1704850310
1704850311
1704850312
1704850313
图4–1 Netflix电影推荐界面
1704850314
1704850315
基于用户的消费历史推荐(Because You Watched),如图4–1中“因为您观看了电影,为您推荐”,这种场景与电商网站“买了某商品的用户还购买了某某商品”很类似。推荐算法会计算两个物品之间的相似度:既可以是基于内容特征本身的相似度,也可以是基于协同过滤的相似度。通过计算相似度产出候选集,并在该集合之上进行个性化的排序和推荐。
1704850316
1704850317
基于Top(排名靠前)热榜的推荐,应用了Top-N Video Ranker算法。与PVR算法应用于特定垂直类目不同,Top-N Video Ranker算法选择的是多个召回序列的头部结果,优中选优,基于全品类内容提供推荐。
1704850318
1704850319
1704850320
1704850321
1704850322
图4–2 基于Top热榜的推荐示例
1704850323
1704850324
基于时下流行的推荐,Netflix应用Trending Now算法给用户推荐他们可能关心的短期热点,从分钟维度到天的维度不等。典型的应用场景有两种:周期性消费(节假日、重要赛事等),如情人节一定是爱情电影的消费高峰期;短期热门事件消费,如发生飓风后,有关飓风的纪录片或电影就会有一段短暂的消费高峰。对应到电商场景,这种季节性消费的特点也会比较明显,如不同季节的服饰购买需求、不同时节的农产品购买需求等。
1704850325
1704850326
继续观看的场景。推荐运用Continue Watching算法,基于用户未看完的内容或正在追的剧集进行推荐。在这一场景下,并不是将用户未看完的内容以时间逆序罗列,而是综合考虑了上一次的观看时间、观看行为(暂停在了开头、结尾)等进行动态调序。此外,考虑到存在家庭账号共享的行为,算法也会进一步基于设备信息来推断当前这一用户是谁,从而展示相应的观看历史。
1704850327
1704850328
搜索的场景。推荐在搜索的场景下主要用于搜索词和搜索结果的补充推荐。以图4–3左侧为例,用户搜索“usual”,但对应的影片“The Usual Suspects”系统中并未收录,从而用户得到的反馈是基于搜索意图的推荐结果;在图4–3右侧,用户输入了“fren”,除了界面右上角为搜索结果外,其余都是推荐结果,界面左下方展示了搜索词的补全,右下方展示了“French Movie”的推荐结果。
1704850329
[
上一页 ]
[ :1.70485028e+09 ]
[
下一页 ]