背景

• 信息过载，用户需求不明确
• 强依赖于用户行为

工业界主流落地场景

• 信息流
• 电商
• o2oLBS

个性化召回算法协同过滤理论与理论升级

Item cf

• 给用户推荐他之前喜欢的物品相似的物品
• 如何衡量相似？

基于用户行为，如果喜欢2个物品的用户重合度越高，那么2个物品也就越相似。

• 如何衡量喜欢？

看用户是否真实点击，在电商场景下，更看重实际转化（实际消费购买）；信息流场景下，更看重真实的点击（基于一定时长下的停留）

Item cf公式

 

 

根据用户行为计算出用户相似度矩阵：

• 分子：u(i)表示对item (i)有过行为的用户集合 ,u(j)表示对item (j)有过行为的用户集合 ，分子表示user的重合程度，重合度越高，越相似。
• 分母：归一化（举例：对item(i)有过行为的用户2个，对item(j)有过行为的用户3个,物理意义：惩罚的热门物品与其他物品的相似度，因为热门物品对应的user倒排会非常长造成了与很多物品都有重合，如果分母除以一个很大的数，将相似度的数值趋于0。

 

 

表示user对 i的行为得分，表示物品的相似度得分

对user进行item(j)的推荐，根据item(i)来完成推荐的，item(i)是user行为过的物品并且取与item(i)最相似的top k个(一般50个），

Item cf公式升级1（工业界）

• 理论意义：活跃用户应该被降低在相似度公式中的贡献度

 

（解释例如：在电商系统中，user A 是批发商，他购买了很多物品，可能有啤酒、书，但这都不能真实反映他的兴趣；user B 只买了啤酒和书，能完全反映他的兴趣，我们在计算啤酒和书的相似度的时候，按照之前的相似度公式，user A 和user B 对啤酒和书的相似度的贡献是一样的，显然是不合理的，我们要降低A用户在计算中的贡献度。）

分子：N(u)表示用户u所行为过的item总数，如果用户行为过的总数越多，对相似度贡献越低。

Item cf公式升级2（工业界）

• 理论意义：用户在不同时间对item的操作应给予时间衰减惩罚

  

因为在很多场景中，用户的行为是随时间有变化的，如在信息流场景，30天前看过的短视频，30天后就不一定喜欢，我们在相似度矩阵计算的时候假定用户的行为可以反映用户的兴趣，所以需要给予时间衰减降权。

分子：每个用户对相似度的贡献也发生了变化，由决定，是指用户对item(i)和item(j)所行为的时间的差异

如果用户对item(i)和item(j)所行为的时间的差异越小，越逼近1，如果差异越大，那么贡献越低。