1.1 推荐系统简介

学习目标

• 了解推荐系统概念以及产生背景
• 记忆推荐系统工作原理以及作用
• 了解推荐系统与web项目区别

1 推荐系统概念以及产生背景

推荐系统经过多年的发展，已经成为了互联网产品的标配，也是AI成功落地的分支之一，在电商，咨询，音乐，短视频等应用中，推荐系统都是核心组件之一。

• 什么是推荐系统
  没有明确需求的用户访问我们的服务，且物品信息量过载时，推荐系统经过一定规则对物品信息进行排序，并将排序在前的物品优先向用户展示。
• 信息过载&用户需求不明确
  推荐系统的发展：分类目录>搜索引擎>推荐系统

• 推荐系统VS搜索引擎

  
  

2 推荐系统工作原理以及应用

• 推荐系统工作原理
  • 社会化推荐 向朋友咨询、社会化推荐、让好友给自己推荐物品
  • 基于内容的推荐 打开搜索引擎进行搜索
  • 基于流行度的推荐 查看排行榜
  • 基于协同过滤的推荐 找到和自己历史兴趣相似的用户
• 推荐系统的作用
  • 高效连接用户和物品
  • 提高用户停留时间和用户活跃度
  • 有效的帮助产品实现其商业价值
• 推荐系统应用场景
  购物推荐 音乐推荐 文章推荐

3 推荐系统和Web项目的区别

• 通过信息过滤实现目标提升 VS 稳定的信息流通系统
  • web项目:处理复杂的业物逻辑，处理高并发，为用户提供一个稳定的信息流通服务
  • 推荐系统：追求指标增长，留存率/阅读时间/GMV(电商网站成交额)/视频网站。从公司角度出发考虑问题
• 不确定性VS确定性
  -web项目：对结果有确定预期
  -推荐系统：结果是概率问题

1.2 推荐系统设计

学习目标

• 了解推荐系统要素
• 记忆推荐系统架构

1 推荐系统要素

• UI和UE（前端界面）
• 数据（Lambda架构）
• 业务知识
• 算法

推荐系统架构

• 推荐系统整体架构

  
  
  推荐系统架构.PNG

  描述： Lambda架构从用户行为中采集数据，对数据进行处理，通过推荐算法计算出推荐结果，并将推荐结果通过包装推送给用户，用户对推荐做出反馈，Lambda架构再次采集用户的反馈行为数据。

• 大数据Lambda架构

  • Lambda架构是一个实时大数据处理框架。
  • Lambda架构将离线计算和实时计算整合，设计出一个能满足实时大数据关键特性的架构，数据关键特性包括有：高容错，低延时，可扩展等。
  • Lambda的分层架构
    1. 批处理层
       • 数据不可变，可进行任何计算，可水平扩展
       • 高延迟 几分钟-几小时（计算量和数据量不同）
       • 日志收集Flume
       • 分布式存储：Hadoop
       • 分布式计算：Hadoop，Spark
       • 视图存储书库 nosql mysql redis/memcache
    2. 实时处理层
       • 流式处理，持续计算
       • 存储和分析某个窗口期内的数据（一段时间按的热销排行，实时热搜）
       • 实时数据收集
       • 实时数据分析
    3. 服务层
       • 支持随机读
       • 需要在非常短时间内返回结果

       • 读取批处理层和实时处理层并对其归并

         
         
         Lambda架构图.PNG

• 推荐算法架构

  • 召回阶段（海选）
    • 召回决定了最终推荐结果的天花板
    • 常用算法
    • 协同过滤
    • 基于内容
  • 排序阶段（精选）
    - 召回界定了最终推荐结果的天花板，排序不断将逼近这个极限，决定最终的推荐效果。
    • CTR预估（点击率预估 使用逻辑回归LR算法）估计用户是否会点击某个商品 需要用户的点击数据
    • 策略调整

1.3 推荐算法

学习目标

• 了解推荐系统模型构建流程
• 理解协同过滤原理
• 记忆相似度计算方法
• 应用杰卡德相似度实现简单协同过滤推荐案例

1 推荐模型构建流程

Data(数据)>Features(特征)>ML Algorithm(选择算法训练模型)>Prediction Output(预测输出)

• 数据清洗/数据处理
  • 数据来源
    • 显性数据 （打分，评论/评价）
    • 隐性数据（历史订单，加购物车，页面浏览，点击，搜索记录）
  • 数据量/数据 能否满足需求
• 特征工程
  • 从数据中筛选特征
  • 用数据表示特征
  • 选择合适的算法
  • 产生推荐结果

最经典的推荐算法： 协同过滤（Collaborative Filtering）

算法思想：物以类聚，人以群分
基本的协同过滤推荐算法基于以下假设：

• 基于用户的协同过滤推荐
• 基于物品的协同过滤推荐

3 计算相似度（Similarity Calculation）

• 相似度计算方法
  • 欧氏距离
  • 余弦相似度
• 皮尔逊相关系数Pearson
• 杰卡德相似度Jaccard(适用于布尔向量)
• 如何选择余弦相似度
  • 余弦相似度/皮尔逊相关系数 适合于用户评分数据（有真实数据值）
  • 杰卡德相似度适用于隐式反馈数据（是/无，是/否，即0/1）