很可惜 T 。T 您现在还不是作者身份，不能自主发稿哦～
如有投稿需求，请把文章发送到邮箱tougao@appcpx.com，一经录用会有专人和您联系
咨询如何成为春羽作者请联系：鸟哥笔记小羽毛（ngbjxym）
最近在了解推荐算法相关的东西，翻了一些资料，对常见的推荐算法有了一些基本的了解，就想着和大家分享下。
先来回顾一下互联网诞生到目前为止，我们寻找信息的方式变化…
最早期的时候，信息是比较稀缺的，那个时候信息比较分散，寻找的效率也较低，主要是人找信息。
后来信息逐渐丰富起来了，有些人或者公司专门把各种信息聚集在一个地方，人们可以通过类目导航进行查找，典型的公司是三大门户。
再后来信息量越来越大，人工添加的类目已经不能覆盖所有信息了，于是诞生了另外一种信息获取方式——搜索，典型的公司是Google、百度。
再再后来，人与信息的关系从单向的人找信息演变成了现在的双向关系，人找信息，同时信息也在找人，在谈到信息找人的时候，就不得不提到推荐算法了。
本文会简单的说明热度算法、协同过滤、基于内容的推荐和混合方法这几种推荐算法…
鉴于主页君对算法的了解并不是特别多，所以只是简单的原理说明，不涉及到实操。
热度算法
说到热度算法有些人可能比较陌生，换个词大家应该就知道了，那就是排行榜。
排行榜按照我们的理解就是一个榜单，按照某种规则给出1到N的排名，我们优先去选择榜单上排名比较靠前的东西。
热度算法也是类似的原理，基于某些规则计算一个热度分，然后取TopN。此外可能还会有一些人工干预的成分，比如加精、编辑推荐等等…
热度算法的计算公式可以简单的参考下面这个基础公式：
热度分=初始热度分+用户行为交互分-时间衰减分
其中初始热度分又可以分为两部分，一部分是基础分值，一部分是加权或者降权。
基础分值指的是本身计算出来的分值，以一篇文章为例，包含了作者信息、文章信息，那相关的元素就有作者等级、是否认证、历史发文情况、历史文章数据表现情况、文章长度、图片数量、关键词等…
基于上面这些相关元素，可以计算出一个基础分值。然后再结合着一些加权或者降权处理就能计算出来一个初始的热度分。
加权项可能有干货类加权，新人投稿加权，运营干预加权等等，降权项可能包含XX过于热门降权、包含XX关键词降权、**降权等等…
计算出一个初始的热度分之后，取TopN出来就可以推荐给用户了。
用户行为交互分指的是这个东西推荐给用户之后的一些反馈，常见的反馈主要分为两种，分别是正反馈和负反馈。
正反馈是常见的点击、转发、评论、收藏、赞，基于用户的这些行为表现再对内容重新进行分值计算，这里面各个行为的权重是不同的，具体权重需要结合业务属性进行确定。
负反馈是用户明确表现不来不喜欢推荐的行为，比如减少类似推荐，基于得到的负反馈信息，对分值进行一些减分处理。
时间衰减指的是分值会随着时间进行衰减，避免旧内容的热度分一直很高，新内容无法露出。一般会采用牛顿冷却定律，说人话就是非线性衰减…
素材来源于互联网
热度算法大致就是上面说的这样，比较容易实现，适合做冷启动用，缺点是千人一面，没办法做个性化的分发，而且新内容比较难露出。
协同过滤
协同过滤主要是通过计算人、物之间的相似性来进行推荐，主要包含人与人、物与物和人与物之间的相似性。
常见的协同过滤算法主要有基于人的协同过滤、基于物品的协同过滤和基于模型的协同过滤。
基于人的协同过滤
顾名思义就是通过计算人与人的相似度来进行物品推荐。
比如小A喜欢物品A、物品B，小B喜欢物品C、物品D和物品E，而小A和小B之间是有一定相似度的，所以就给小A推荐小B喜欢的物品C，可参考下面的示意图。
基于人的协同过滤
这里面有两个关键问题：
要找到和小A兴趣相似的用户集；
要找到这个集合中的用户喜欢且小A没有听说过的东西。
具体实现的步骤是：
首先找到和小A相似的用户；
然后找出相似用户喜欢的物品，并且预测小A对这些物品的评分；
之后过滤掉小A已经消费过的物品；
最后将剩余的物品按照评分进行排序，并返回TopN。
基于人的协同过滤的优点是能帮助用户发现一些比较新鲜且可能会感兴趣的东西，缺点是随着用户数量的增加，计算用户之间兴趣相似度的复杂度会急剧增加，而且对于新物品或者新用户的推荐效果可能都不太好。
基于物品的协同过滤
顾名思义就是基于物品之间的相似度进行推荐。比如小A喜欢物品A和物品B，物品A和物品C之间有着一定的相似度，那就可以给小A推荐物品C，可参考下面的示意图：
基于物品的协同过滤
这里面的关键问题也是两个：
要计算物品之间的相似度；
要基于物品的相似度和用户的历史行为，给用户生成推荐列表。
具体实现方式是：
分析用户的行为记录，计算物品之间的相似度；
基于物品相似度和用户的历史行为生成推荐列表，和用户历史上感兴趣的物品越相似的其他物品排序会越靠前；
最后是基于相似度矩阵的最大值进行归一化，提升推荐的准确率。
需注意的是这里的相似度不是物品与物品之间的直接相似度，而是它们共同出现在多少用户的兴趣列表中。
比如喜欢物品A的用户中，有多少用户喜欢物品B，两者之间的重复度越高，物品A和物品B的相似度越高。
基于人的协同过滤更多反应的是物品在小圈子里的欢迎程度，而基于物品的协同过滤则考虑了用户的历史行为，相对更个性化一些，但是在物品数量较多的时候，也会面临物品之间相似度计算起来很复杂的问题。
基于模型的协同过滤
顾名思义就是基于一个模型来进行推荐，这里面用到的技术就比较多涉及到机器学习领域，比如关联规则挖掘、聚类、SVD、RBM、图模型等…(反正我也听不懂)
按照个人的理解就是基于用户和物品之间的感兴趣程度，训练出来一个黑盒模型，基于输入和输出的东西进行不断的优化迭代。
以0-1进行评估，1代表着用户肯定会感兴趣，0代表着用户肯定不感兴趣，这个模型就是计算用户的感兴趣程度，然后优先给用户推荐感兴趣程度较高的东西，最后再结合着用户的反馈来不断优化这个模型。
整体流程就是：
准备训练数据集和测试数据集；
不断的训练模型；
对模型进行评估；
推荐给用户；
优化迭代。
基于内容的推荐
基于内容的推荐就是基于内容的推荐,主要是基于内容之间的相似程度。
比如我看了A导演的B电影，其中有C主演，我表现的非常喜欢这部电影。
那理论上来说就可以给我推A导演的其他作品集，或者C主演参演的其他电影，以及B电影的系列电影或者题材类似的其他电影。
这个算法的优点是便于冷启动，而且能够比较好的向用户进行解释，缺点是很难将不同的特征进行组合，比较难带给用户惊喜感，而且用户的属性挖掘不准的话推荐效果会比较差。
混合方法
顾名思义就是混合起来用，常见的策略主要包含加权、切换、分区和分层…
加权指的是利用线形的公式将几种不同的推荐算法组合起来，给予不同的权重，比如A算法20%、B算法50%、C算法30%，然后再计算出一个最终推荐结果。
切换指的是在不同情况下用不同的推荐算法，比如冷启动时用热门算法，有了用户行为和数据之后，再切换成其他算法。
分区指的是采用不同的推荐机制，将不同推荐结果分不同的区展示给用户，比如对商品采用基于物品的协同过滤，对文章采用基于内容的推荐。
分层指的是将一个推荐算法的结果作为另一个推荐算法的输入，比如先用基于内容的推荐算法生成一个候选集，然后再利用基于模型的协同过滤从这个候选集中选择内容…
One More Thing
首先想说的是关于推荐算法的效果衡量，有一大堆指标来进行衡量，有定性的，有定量的，参见下图：
素材来源于阿里技术
我没有做过这些东西，没办法详细展开，我们多看看上图就好，在不少地方见到过这个评价体系。
其次想说的是，主页君对这些算法的理解都很浅，感兴趣的小伙伴可以自行了解更多知识。有些知识点万一写错了的话，麻烦指正一下，见谅见谅…
最后，本文在写作过程中主要参考了以下书籍和文章。
《推荐系统实战》——项亮编著
《常用推荐算法》——**先生的Blog
http://2wildkids.com/2016/10/04/%E5%B8%B8%E7%94%A8%E6%8E%A8%E8%8D%90%E7%AE%97%E6%B3%95
《基于协同过滤的推荐方法》——Yanjun
http://shiyanjun.cn/archives/1429.html
以上，就是本文的主要内容，愿你有所收获。欢迎斧正、指点、拍砖…
本文为作者独立观点，不代表鸟哥笔记立场，未经允许不得转载。
《鸟哥笔记版权及免责申明》 如对文章、图片、字体等版权有疑问，请点击 反馈举报
Powered by QINGMOB PTE. LTD. © 2010-2022 上海青墨信息科技有限公司 沪ICP备2021034055号-6
我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求，为完善跟帖评论自律管理，为了保护用户创造的内容、维护开放、真实、专业的平台氛围，我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容，同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。
一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规，对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息，主要表现为：
1)反对宪法所确定的基本原则；
2)危害国家安全，泄露国家秘密，颠覆国家政权，破坏国家统一，损害国家荣誉和利益；
3)侮辱、滥用英烈形象，歪曲、丑化、亵渎、否定英雄烈士事迹和精神，以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉；
4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动；
5)煽动民族仇恨、民族歧视，破坏民族团结；
6)破坏国家宗教政策，宣扬邪教和封建迷信；
7)散布谣言，扰乱社会秩序，破坏社会稳定；
8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪；
9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序；
10)侮辱或者诽谤他人，侵害他人名誉、隐私和其他合法权益；
11)通过网络以文字、图片、音视频等形式，对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法规禁止的其他内容；
2. 不友善：不尊重用户及其所贡献内容的信息或行为。主要表现为：
1)轻蔑：贬低、轻视他人及其劳动成果；
2)诽谤：捏造、散布虚假事实，损害他人名誉；
3)嘲讽：以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述，以此来激怒他人；
4)挑衅：以不友好的方式激怒他人，意图使对方对自己的言论作出回应，蓄意制造事端；
5)羞辱：贬低他人的能力、行为、生理或身份特征，让对方难堪；
6)谩骂：以不文明的语言对他人进行负面评价；
7)歧视：煽动人群歧视、地域歧视等，针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击；
8)威胁：许诺以不良的后果来迫使他人服从自己的意志；
3. 发布垃圾广告信息：以推广曝光为目的，发布影响用户体验、扰乱本网站秩序的内容，或进行相关行为。主要表现为：
1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式：
2)单个帐号多次发布包含垃圾广告的内容；
3)多个广告帐号互相配合发布、传播包含垃圾广告的内容；
4)多次发布包含欺骗性外链的内容，如未注明的淘宝客链接、跳转网站等，诱骗用户点击链接
5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光；
6)购买或出售帐号之间虚假地互动，发布干扰网站秩序的推广内容及相关交易。
7)发布包含欺骗性的恶意营销内容，如通过伪造经历、冒充他人等方式进行恶意营销；
8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。
4. 色情低俗信息，主要表现为：
1)包含自己或他人性经验的细节描述或露骨的感受描述；
2)涉及色情段子、两性笑话的低俗内容；
3)配图、头图中包含庸俗或挑逗性图片的内容；
4)带有性暗示、性挑逗等易使人产生性联想；
5)展现血腥、惊悚、残忍等致人身心不适；
6)炒作绯闻、丑闻、劣迹等；
7)宣扬低俗、庸俗、媚俗内容。
5. 不实信息，主要表现为：
1)可能存在事实性错误或者造谣等内容；
2)存在事实夸大、伪造虚假经历等误导他人的内容；
3)伪造身份、冒充他人，通过头像、用户名等个人信息暗示自己具有特定身份，或与特定机构或个人存在关联。
6. 传播封建迷信，主要表现为：
1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病；
2)求推荐算命看相大师；
3)针对具体风水等问题进行求助或咨询；
4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失，包括通过占卜方法问婚姻、前程、运势，东西宠物丢了能不能找回、取名改名等；
7. 文章标题党，主要表现为：
1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户；
2)内容与标题之间存在严重不实或者原意扭曲；
3)使用夸张标题，内容与标题严重不符的。
8.「饭圈」乱象行为，主要表现为：
1)诱导未成年人应援集资、高额消费、投票打榜
2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
5)通过「蹭热点」、制造话题等形式干扰舆论，影响传播秩序
9. 其他危害行为或内容，主要表现为：
1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的；
2)不当评述自然灾害、重大事故等灾难的；
3)美化、粉饰侵略战争行为的；
4)法律、行政法规禁止，或可能对网络生态造成不良影响的其他内容。
二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时，本网站将依据相关用户违规情节严重程度，对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号，或者滥用多个帐号发布违规内容时，本网站将加重处罚。
三、申诉
随着平台管理经验的不断丰富，本网站出于维护本网站氛围和秩序的目的，将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议，可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)