一文搞懂工程化协同推荐算法（二）
作者：livan
来源：数据EDTA
前言
上篇文章：一文搞懂工程化协同推荐算法（二），介绍了协同推荐算法的原理和数理表达，接下来我们介绍一下工业上该如何理解协同推荐。
2、协同推荐算法的库表表达
上面五花八门的公式怎么用？我们在构建基本推荐系统时需要预先处理几张表？这些恐怕是推荐算法设计时的灵魂拷问吧。作为一个产品经理，特别是数据产品经理，在沟通推荐的需求的时候如果拿着上面的公式去找IT恐怕会被打回来吧，那我们下面将它转换成计算机人员比较喜欢的表的结构图。
先聊一下推荐的基本结构吧，大家都执迷于算法的推演，其算法的重要性已经不用多言了，他在整个推荐系统中处于什么位置呢？
从上面可以看出算法是立根于底部的一层结构，从整个大数据仓库中获取数据，再在算法层进行运算，将运算结果放入召回层，然后在排序层对召回的内容进行排序，最终呈现在页面上。其中，召回层是指将满足用户喜好的前K个物品从数据层提取到这一层次，等待呈现备用，排序层则是根据一定的排列规则，加入随机因子，按照用户的喜好进行排序的层级。排序层也是有各种算法的，这里的算法主要是解决如何高效的按照喜好进行排序？在什么位置放置用户最喜欢的商品？如何添加随机因子以保证数据的多样性？等。
简单讲完算法的位置，我们还是回到协同算法上来，毕竟这篇文章主要讲解的是算法。
汇总上面的几个推荐算法，有没有感觉无论如何都离不来两张表：U-V评分表、商品标签表，清爽~，我们的整个协同推荐算法体系中，这两张表可以说是异常重要，一定要首先构建完成，然后再在这两张表的基础上进行计算延伸。
图表结构如下：
从上面的表逻辑中是否能够看出一些端倪呢？
上面的表虽然看起来较为复杂，但是整体的思路还是很明确的，公司最初构建两个表：物品标签表和U-V评分表，在这两个表的基础上构建下面的一长串表，然后经过各种运算，实现底端的四个“U-V偏好表”，作为推荐表。这四个表在平时生产中一般会有多个，因其使用场景不同，推荐时往往会综合使用。
上面讲述了基本的四种推荐算法的常用套路以及对应的图表结构，初创公司往往会使用一些类似的图表结构，其复杂程度也相对简单，但是随着应用场景的逐渐增多，以及对公司客户/商品的深入了解，上述数据表结构就会日趋复杂了。
比如：
1） 添加什么逻辑能够增加推荐的稳健性，不至于因为脏数据而引发推荐大的波动？
2） 如何优化冷启动的问题？
3） 公司新添加社交链该如何应用到推荐中？
4） 喜欢某个新闻的人不一定对相似的新闻感兴趣怎么解决？
5） 放入到召回池中的数据如何排序？
6） 如何避免出现“信息茧房”，使用户看到多样化的内容？
文章一开始笔者也讲过，推荐系统本身是一套解决方案，随着发现的问题越来越多，越来越多的解决思路也呈现出来，这一文章作为推荐的基础篇，希望能给大家带来一些有价值的思考。
◆ ◆ ◆ ◆ ◆
长按二维码关注我们
数据森麟公众号的交流群已经建立，许多小伙伴已经加入其中，感谢大家的支持。大家可以在群里交流关于数据分析&数据挖掘的相关内容，还没有加入的小伙伴可以扫描下方管理员二维码，进群前一定要关注公众号奥，关注后让管理员帮忙拉进群，期待大家的加入。
管理员二维码：
猜你喜欢