編者按：Tryolabs軟件設(shè)計(jì)師、烏拉圭共和國(guó)大學(xué)數(shù)學(xué)教授Gastón Rodríguez最近撰寫的推薦系統(tǒng)最新入門指南。

眾多電商網(wǎng)站和零售商通過推薦系統(tǒng)來提升其銷售成績(jī)。

簡(jiǎn)單來說，推薦系統(tǒng)的目標(biāo)是預(yù)測(cè)用戶的興趣，向用戶推薦可能感興趣的物品。

推薦系統(tǒng)所需的數(shù)據(jù)包括用戶評(píng)分、搜索查詢、購(gòu)買歷史，以及其他關(guān)于用戶/物品的知識(shí)。

Spotify、YouTube、Netflix等站點(diǎn)大量使用推薦系統(tǒng)，向用戶推薦感興趣的信息。

這篇文章將介紹最流行的推薦系統(tǒng)類型，通過一些例子解釋它們的工作機(jī)制。

為了給這一主題增加一些動(dòng)機(jī)，我們將介紹一些真實(shí)世界的案例，討論實(shí)現(xiàn)推薦系統(tǒng)的高層需求，還有如何公平地評(píng)估推薦系統(tǒng)。

實(shí)現(xiàn)推薦系統(tǒng)的優(yōu)勢(shì)

推薦系統(tǒng)可以通過非常個(gè)性化的推銷和增強(qiáng)的用戶體驗(yàn)增加銷售。

推薦系統(tǒng)通?？梢约铀偎阉?，讓用戶更容易訪問感興趣的內(nèi)容，并給用戶帶來驚喜。

商家可以通過發(fā)送包含感興趣內(nèi)容鏈接的郵件來吸引新顧客，留存老顧客。

開始感覺自己被理解的用戶更可能購(gòu)買更多商品，消費(fèi)更多內(nèi)容。了解用戶所需，使商家領(lǐng)先于競(jìng)爭(zhēng)者，減少客戶流失的風(fēng)險(xiǎn)，同時(shí)逐漸提高利潤(rùn)。

推薦系統(tǒng)的類型

推薦系統(tǒng)利用兩種信息：

特性信息，關(guān)于物品的信息（關(guān)鍵詞，類別等）和用戶的信息（偏好，畫像等）。

用戶-物品交互，例如評(píng)分、購(gòu)買數(shù)、喜歡，等等。

因此，我們可以將推薦系統(tǒng)分為兩類：

基于內(nèi)容（content-based），主要使用特性信息；

協(xié)同過濾（collaborative filtering），主要基于用戶-物品交互。

混合系統(tǒng)（hybrid system）結(jié)合了兩類信息，目標(biāo)是避免單獨(dú)使用一種信息引發(fā)的問題。

下面，我們將深入介紹下基于內(nèi)容的系統(tǒng)和協(xié)同過濾系統(tǒng)。

基于內(nèi)容的系統(tǒng)

這類系統(tǒng)主要基于物品相似性和用戶畫像。背后的假說是，如果用戶過去曾對(duì)某物感興趣，那么以后也會(huì)對(duì)類似物品感興趣。通常根據(jù)物品的特效歸類相似物品。用戶畫像的構(gòu)建則根據(jù)用戶的歷史行為，或者明確詢問用戶其興趣所在。另一些不被認(rèn)為純基于內(nèi)容的系統(tǒng)，還會(huì)利用用戶的個(gè)人數(shù)據(jù)和社交數(shù)據(jù)。

這類系統(tǒng)的一大問題是建議過于專門（用戶A對(duì)類別B、C、D表示了興趣，系統(tǒng)無法向其推薦這些類別之外的其他可能感興趣的物品）。

另一個(gè)問題是新用戶沒法定義畫像（除非明確詢問其興趣）。相比新增用戶，新增物品倒是容易得多，只需確保我們根據(jù)新物品特性將其分到了合適的分組即可。

協(xié)同過濾系統(tǒng)

這類系統(tǒng)利用用戶的交互來過濾感興趣物品。我們可以將交互的集合可視化為一個(gè)矩陣，其中每一項(xiàng)(i, j)代表用戶i和物品j的交互。有意思的是，我們可以將協(xié)同過濾看作是對(duì)分類和回歸的推廣。在分類和回歸中，我們的目標(biāo)是預(yù)測(cè)直接依賴其他變量（特征）的變量，而在協(xié)同過濾中，并不存在特征變量和分類變量的區(qū)別。

從下圖可以看到，我們并不打算預(yù)測(cè)某列的值，而是預(yù)測(cè)任何給定項(xiàng)的值。

圖片來源：《推薦系統(tǒng)》

簡(jiǎn)單來說，協(xié)同過濾系統(tǒng)基于這樣一個(gè)假定，如果用戶喜歡物品A，另一個(gè)用戶也喜歡物品A，而且另一個(gè)用戶同時(shí)喜歡物品B，那么第一個(gè)用戶可能也對(duì)物品B感興趣。因此，協(xié)同過濾系統(tǒng)基于歷史交互信息預(yù)測(cè)新的交互。為了達(dá)到這一目標(biāo)，有兩類方法：基于內(nèi)存（memory-based）和基于模型（model-based）。

基于內(nèi)存

有兩種方法：第一種識(shí)別用戶的聚類，并利用某一特定用戶的交互預(yù)測(cè)其他類似用戶的交互。第二種方法識(shí)別用戶A評(píng)分的物品的聚類，并基于此預(yù)測(cè)用戶A和不同但相似的物品B的交互。這些方法通常會(huì)遇到的主要問題是巨大的稀疏矩陣，因?yàn)橛脩?物品交互的數(shù)量可能會(huì)過低，無法生成高質(zhì)量的矩陣。

基于模型

這些方法基于機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)。其目標(biāo)是訓(xùn)練可以做出預(yù)測(cè)的模型。例如，我們可以使用現(xiàn)有的用戶-物品交互來訓(xùn)練一個(gè)模型，預(yù)測(cè)一個(gè)用戶可能最喜歡的5項(xiàng)物品。這些方法的一個(gè)優(yōu)勢(shì)是，和基于內(nèi)存的方法相比，可以向大量用戶推薦大量物品。我們認(rèn)為，即便配合大型稀疏矩陣使用，這些方法仍有更大的覆蓋面（coverage）。

協(xié)同過濾系統(tǒng)的問題

協(xié)同過濾系統(tǒng)面對(duì)的兩個(gè)主要挑戰(zhàn)為：

冷啟動(dòng)：我們需要有足夠的用戶-物品交互信息，才能讓系統(tǒng)工作。如果我們新建了一家電商網(wǎng)站，在用戶和相當(dāng)多數(shù)量的物品交互之前，我們無法給出推薦。

新增用戶/物品：無論是新用戶還是新物品，我們都沒有關(guān)于它們的先驗(yàn)知識(shí)，因?yàn)樗鼈冞€不存在交互。

在注冊(cè)時(shí)詢問用戶的其他數(shù)據(jù)（性別、年齡、興趣，等等），根據(jù)物品的元信息將其與數(shù)據(jù)庫(kù)中的現(xiàn)有物品相關(guān)聯(lián)，可以緩解上面提到的兩個(gè)問題。

協(xié)同過濾實(shí)例

協(xié)同過濾是當(dāng)前最常用的方法之一，并且通常能提供比基于內(nèi)容的系統(tǒng)更好的結(jié)果。YouTube、Netflix、Spotify的推薦系統(tǒng)就用到了協(xié)同過濾。下面我們將介紹創(chuàng)建協(xié)同過濾系統(tǒng)的兩種技術(shù)。

神經(jīng)網(wǎng)絡(luò)

一個(gè)經(jīng)典方法是矩陣分解。其目標(biāo)是補(bǔ)全評(píng)分矩陣（R）中的未知用戶-物品交互。想象一下，我們通過某種方式，魔法般地得到了兩個(gè)矩陣U和I，滿足U × I和R的所已知項(xiàng)相等。那么，U × I也為我們提供了R中未知項(xiàng)的值，這些值可以用來生成推薦。

圖片來源：Soumya Ghosh

找到U和I的一種時(shí)髦的方法是使用神經(jīng)網(wǎng)絡(luò)。

首先，我們需要將用戶和物品映射為向量，維度分別為M和N。這意味著我們需要學(xué)習(xí)用戶和物品的表示，通常稱為嵌入（因?yàn)槲覀儗⑦@些概念嵌入一個(gè)向量空間）。由于我們尚不清楚這些向量的值，我們需要從隨機(jī)初始值開始。

接著，對(duì)每個(gè)用戶-物品交互(u, x)而言，我們將連接用戶嵌入u和物品嵌入x為單個(gè)向量。由于我們已經(jīng)知道了這一用戶-物品交互的值，我們可以迫使網(wǎng)絡(luò)對(duì)這一向量的輸出等于已知值。接著，網(wǎng)絡(luò)使用反向傳播調(diào)整其權(quán)重以及嵌入，使得結(jié)果符合我們的預(yù)期。因此，網(wǎng)絡(luò)將學(xué)習(xí)表示用戶和物品的最佳方式，并通過傳入所得嵌入以預(yù)測(cè)未見交互。

例如，假設(shè)上圖中的用戶矩陣和物品矩陣的值是隨機(jī)初始化的嵌入。對(duì)交互(A, X)而言，我們將傳入向量[1.2, 0.8, 1.2, 0.6]，并迫使輸出等于4.5。在這個(gè)例子中，我們可以使用MSE作為損失函數(shù)。如果我們的交互矩陣是二值矩陣，那么使用分類問題中常見的損失函數(shù)要更合適，比如交叉熵。

這一方法非常有趣的結(jié)果是嵌入通常包含特定的語義信息。因此，我們最后得到的并不僅僅是未知交互的預(yù)測(cè)。例如，相似用戶在用戶向量空間中會(huì)很接近，這有助于研究用戶行為。

Item2vec

Item2vec是借鑒Word2vec思想提出的用于協(xié)同過濾的物品嵌入表示。它利用購(gòu)買訂單作為上下文信息，暗示在類似情況下購(gòu)買的物品比較相似（相應(yīng)的嵌入表示在向量空間中占據(jù)相近的位置）。

這一方法既不直接牽涉用戶，也不在做出推薦時(shí)考慮用戶。不過，如果我們的目標(biāo)是顯示用戶所選物品的替代選擇，那么這個(gè)方法可能非常有用（“你買了這個(gè)電視，你也許也對(duì)這些感興趣”）。

這一方法的主要問題在于，我們需要海量數(shù)據(jù)來生成良好的嵌入。Item2vec論文用到了兩個(gè)數(shù)據(jù)集，其中一個(gè)數(shù)據(jù)集包含九百萬交互，七十三萬二千用戶，四萬九千物品，另一個(gè)數(shù)據(jù)集包含三十七萬九千交互，1706物品，用戶數(shù)未知。

何時(shí)實(shí)現(xiàn)推薦系統(tǒng)？

既然我們現(xiàn)在已經(jīng)對(duì)推薦系統(tǒng)有所了解，是時(shí)候考慮下何時(shí)值得實(shí)現(xiàn)推薦系統(tǒng)。

如果你的業(yè)務(wù)運(yùn)行得不錯(cuò)，即使沒有推薦系統(tǒng)，你大概也不難生存。然而，如果你想要借助數(shù)據(jù)的力量創(chuàng)建更好的用戶體驗(yàn)并增加利潤(rùn)，你應(yīng)該好好考慮下實(shí)現(xiàn)一個(gè)推薦系統(tǒng)。

投資一個(gè)良好的推薦系統(tǒng)是否值得？回答這一問題的一個(gè)好辦法是看看實(shí)現(xiàn)了這樣的系統(tǒng)的公司取得了怎樣的效果：

亞馬遜上35%的購(gòu)買源自其推薦系統(tǒng)（數(shù)據(jù)來源：麥肯錫）。

2016年的雙11期間，阿里巴巴的個(gè)性化到達(dá)頁(yè)面對(duì)轉(zhuǎn)化率的提升高達(dá)20%

YouTube上的用戶觀看視頻時(shí)長(zhǎng)的70%來自推薦。

Netflix上的用戶觀看視頻的75%來自推薦（來源：麥肯錫）。

Netflix的VP和CPO發(fā)表的論文說個(gè)性化和推薦系統(tǒng)為Netflix每年節(jié)約十億美元。

交叉銷售和類別滲透技術(shù)增長(zhǎng)了20%銷售額，提高了30%利潤(rùn)（來源：麥肯錫）。

構(gòu)建推薦系統(tǒng)的先決條件

數(shù)據(jù)是唯一最重要的資產(chǎn)?；旧希阈枰私庥脩艉臀锲返囊恍┘?xì)節(jié)。如果你只有元信息，那么你可以從基于內(nèi)容的方法開始。如果你有大量用戶交互信息，你可以試驗(yàn)更強(qiáng)大的協(xié)同過濾方法。

你所擁有的數(shù)據(jù)集越大，你的系統(tǒng)工作得就越好。此外，你需要確保你的團(tuán)隊(duì)能夠理解數(shù)據(jù)，并正確地處理數(shù)據(jù)，讓數(shù)據(jù)可以被你將采用的技術(shù)所用。

關(guān)于用戶-物品交互，你需要了解：

你應(yīng)該根據(jù)你的系統(tǒng)定義交互種類，以提取數(shù)據(jù)。例如，如果你運(yùn)行的是一個(gè)電商網(wǎng)站，那么交互可能包括對(duì)物品的點(diǎn)擊，搜索，訪問，收藏夾，購(gòu)買，評(píng)分，購(gòu)物車中的物品，甚至是剔除掉的物品，等等。

交互可以分為顯式和隱式兩類。顯式交互中，用戶表明正面或負(fù)面的興趣，例如評(píng)分或撰寫評(píng)論。隱式交互是從用戶的行為中推導(dǎo)出的興趣，比如搜索或購(gòu)買某物。

每個(gè)用戶和物品的交互數(shù)量越多，最終結(jié)果就越好。

典型的情況是，有些非常流行的物品有大量的用戶交互行為，而其他物品就沒有那么多交互了，也就是長(zhǎng)尾效應(yīng)。推薦系統(tǒng)通常在流行物品上效果相當(dāng)出色，盡管用戶對(duì)此大概不是非常感興趣，因?yàn)橛脩艉芸赡芤呀?jīng)知道這些物品了。長(zhǎng)尾中的物品是最感興趣的，因?yàn)槿绻麤]有推薦，用戶可能甚至不會(huì)考慮到它們。

圖片來源：dataminingapps.com

在運(yùn)行一項(xiàng)新產(chǎn)品的同時(shí)，從頭實(shí)現(xiàn)一個(gè)推薦系統(tǒng)并非易事?；趦?nèi)容的方法比較方便，或者你也可以明確詢問用戶的興趣。當(dāng)用戶和交互的數(shù)量增長(zhǎng)時(shí)，就到了設(shè)想?yún)f(xié)同過濾方法的時(shí)候，從而增強(qiáng)你的系統(tǒng)的潛能。

最后，評(píng)估系統(tǒng)表現(xiàn)，思考提升其表現(xiàn)的不同方法，可能會(huì)是最艱巨的任務(wù)。但別打退堂鼓，你幾乎一定能從中得到樂趣，同時(shí)你也將欣賞到利潤(rùn)的增長(zhǎng)，對(duì)吧？

如何評(píng)估推薦系統(tǒng)？

取決于不同的目的，有不同的評(píng)估推薦系統(tǒng)的方法。比如，如果你只對(duì)推薦的前5項(xiàng)物品感興趣（用戶最可能交互的物品），那你在評(píng)估的時(shí)候就無需考慮其余的推薦。再比如，推薦的順序?qū)δ銇碚f可能非常重要，所以你在評(píng)估的時(shí)候需要考慮它?？偟膩碚f，推薦系統(tǒng)的評(píng)估方法分為兩類：在線和離線。

在線方法

在線方法，又稱A/B測(cè)試，通過用戶對(duì)給定推薦的反應(yīng)衡量推薦系統(tǒng)的表現(xiàn)。例如，你可以衡量用戶是否點(diǎn)擊推薦的物品——以及相應(yīng)的轉(zhuǎn)化率。這個(gè)評(píng)估方法很理想，不過難以實(shí)施。因?yàn)槲ㄒ贿M(jìn)行試驗(yàn)的方法是和部署到生產(chǎn)環(huán)境的系統(tǒng)交互。而任何失敗的試驗(yàn)很可能會(huì)對(duì)利潤(rùn)和用戶體驗(yàn)造成直接影響。此外，使用真實(shí)客戶進(jìn)行試驗(yàn)，要比使用事先準(zhǔn)備的數(shù)據(jù)慢很多。

離線方法

離線方法是試驗(yàn)階段的離線方法，因?yàn)槠渲胁⒉恢苯訝可嬗脩?，和在線方法不同，系統(tǒng)無需部署到生產(chǎn)環(huán)境。數(shù)據(jù)被分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，也就是說，部分?jǐn)?shù)據(jù)用來構(gòu)建系統(tǒng)，其余數(shù)據(jù)用來評(píng)估系統(tǒng)。使用離線方法時(shí)，需要小心，因?yàn)橛行]有恰當(dāng)表示的因素可能會(huì)影響結(jié)果。例如，時(shí)令因素（季節(jié)、氣候，等等）在推薦中可能非常重要，甚至客戶在某一特定時(shí)刻的心情也可能影響結(jié)果。

結(jié)語

正如你在這篇文章中看到的那樣，在系統(tǒng)中加入推薦是一個(gè)很有吸引力的選擇。從用戶的視角來說，它提升了體驗(yàn)和參與度。從業(yè)務(wù)的角度來說，它能創(chuàng)造更多利潤(rùn)。

用戶量較小時(shí)，使用一個(gè)基本的推薦系統(tǒng)，當(dāng)用戶基數(shù)增加時(shí)，再投入更強(qiáng)的技術(shù)，這是比較好的做法。

最不可或缺的資源是數(shù)據(jù)。如果你沒有恰當(dāng)?shù)毓芾?、?chǔ)存數(shù)據(jù)，是時(shí)候采取必要措施了。一旦到達(dá)實(shí)現(xiàn)階段，深入相關(guān)主題當(dāng)然是很有必要的。

業(yè)務(wù)目標(biāo)將指示你需要首先關(guān)注的推薦系統(tǒng)類型：它是要提高已活躍用戶的參與度，還是讓那些稀客變得更活躍。

除了定義業(yè)務(wù)目標(biāo)，能夠分析和理解你的站點(diǎn)生成的信息至關(guān)重要。有了這些，應(yīng)該沒什么能夠阻止你成功實(shí)現(xiàn)你的推薦系統(tǒng)。