「极客公开课·知乎 Live」5 分钟带你复习个性化推荐算法

正文

请到「今天看啥」查看全文

• 基于用户行为的三代推荐系统模型

推荐系统最终可以抽象成一个优化目标的问题。

我们要想一想，这个推荐系统到底在为谁服务？实际上它在为三类不同的利益相关方在服务：

第一个：用户。用户是为了能够更方便找到他想看的东西。

第二个：平台本身。平台希望连接服务提供商、内容提供商和用户，他希望赚钱。

第三个：内容提供商，因为内容提供商如果能有更多露出，他在这个渠道上，就会获得点击量或者/和品牌效应，那么他就可以通过一些方法变现，无论是广告的方法还是在一些离线渠道收买的方法。

所以一个推荐算法要同时服务三个利益各不相同的相关方，这本身导致了一个矛盾性。

协同滤波

最早的算法其实比较简单，叫协同滤波。就是相似的人，我会给他相似的内容，那么怎么定义相似的人呢？那就是他们之前具有相同的行为，但这个地方就变成了一个死循环。

后来有人想到一个方法，就叫协同滤波，就是用一个 interactive 的方法去 train，两边互相学，然后收链，这是一个比较标准的方法。那么在我们的系统里面用了大概接近 7、8 年吧，也比较成功。

我们每一个展示叫一个 train，比如 Top picks for you 这是一个最标准的 record train，就是推荐 train.

第二个是 you may also like，你可能也会喜欢，这也是一个推荐的 train。

第三个就是一个子类别。一般大的类别就是言情、动作片，其实这个类别我们还分了一些小类别，比如说这个叫做法庭判案，实际上是动作片下面的一个主类别，这个也可以用推荐算法来产生。

这个叫 auto play，现在国内大多数网站都会有的功能，你看完了一个就自动播下一个，这个也是根据推荐算法来产生的。

矩阵分解

现在的产品中我们使用的是矩阵分解的方法。

其实从 Netflix 以后大家就已经意识到矩阵分解是一种很有效的建模方式，它的基本原理就是把用户作为一个维度，内容作为一个维度，然后建一个二维的矩阵，把这个二维的矩阵找到一个低维的表示，这可能只有 50 或者 100 维，这个个数还是跟内容一样，所以每个内容有一个 100 维的小的表示，每个用户也有一个 100 维的小的表示。这两个作为一个点击，可以恢复出原来的东西。

请到「今天看啥」查看全文