自己动手做推荐引擎(1).docx

《自己动手做推荐引擎(1).docx》由会员分享，可在线阅读，更多相关《自己动手做推荐引擎(1).docx（6页珍藏版）》请在第一文库网上搜索。

1、仔细观察Goog1e新闻，可以感觉到它内部有一个推荐引擎正在运行，通过不断监控你的点击模式，并结合你周围的趋势，用一个基于内容的个性化推荐引擎对你进行新闻推送,如下图所示。TtpStOTMHiAfyOKsManeMcwrFCFCBarccouBhop.G9C1B*MZFCSmsumGMstvAirpoJMnKocbKMf1UInde内MdItciMCicwaiMntSoorts(mMnnotogycvudb中toEMMinEooc?Te田bctOtittwmm4vaoncdMacocJio1aunchdoub1etdemandof4GVd1TEaM*1m.mMdMrVrEMIangTamr4v

2、(MM4hUdm4re.SBM1Gmay1aunchV20atRB49M0inIndiabyNovmbrndBeChnSptfbe.1Ctowwh1*aV4Ox-Mf1p*eE黄ox0nrAw卜0v9.M4urfTXMSMtat1GVIOwtchwrrwched1kraywrUurichbnZcM*ywtnprict4g0fR49,S1VMOrTdnctogtB1OriM许多新公司，如Reddit和Rigg等，都在使用推荐引擎进行新闻或文章推送。10. 3流行方法在前面的章节中，我们已经看到了各种推荐引擎。本节将讨论一些流行方法，这些方法被常用于构建推荐引擎，以提高推荐的健壮性和相关性，例如：

3、惊喜推荐推荐时效性A/B测试反馈机制惊喜推荐推荐引擎的缺点之一是完全基于用户的历史检索或正在检索信息进行推荐，这就容易进入误区。图片引自neighwhentheyrun如同上图中蒙蔽双眼的马一样，为了不受干扰而带上了眼罩。虽然随着用户上网数据的增加，各种信息推送变得频繁，推荐引擎所生成的用户画像会越接近同时也越局限，这错了吗？不，绝对没有，但这就是生活的样子。如果我们回顾会发现，过去的很多最佳发现都是意外发生的。有惊喜是好事，因为有惊喜才使人类生活多了很多乐趣，当用户意外的发现自己想要的东西时，这种快乐是无法用言语表达的。但是这种特性在目前的精准推荐范式里是一种缺失。通过在推荐系统中引入惊喜，

4、可以降低上述局限，如何在推荐系统中引入惊喜呢？例如GoOgIe新闻，在生成个性化的新闻推荐之前，会结合用户所在地区或国家的趋势新闻。这使得用户能够获得更多围绕他们的新闻，这也正是他们的兴趣点。10.4推荐引擎的时效性假设情境：一位女士近9个月的时间都在搜索或购买与怀孕相关的信息或物品。当她分娩之后，她又会开始寻找与新生儿相关的物品。这就要求推荐引擎应该足够智能，当这位女士开始将关注点越来越多的转移到新生儿的相关问题上时，推荐引擎就无须再推送怀孕相关的信息，因为用户的关注点已经发生了转移。下图展示了一个不考虑实效性而向刚剃度的和尚推送漫画书的推荐引擎。族历史文比推拳的书单用户选择是非常具有时效性

5、的，未来我们可能不会喜欢现在喜欢的东西。但在设计推荐引擎时，通常没有考虑时效性这方面。我们的推荐系统只是捕获用户的每一个交互，并在特定的时间内收集大量的用户偏好。由于时间信息是用户偏好中固有的，因此数据科学家利用时间信息来改善推荐引擎的相关性是合理的。处理时效性问题一个简单的方法是在生成推荐时给最近的交互赋予更多的权重，同时减轻旧交互的权重。10. 4.1A/B测试构建的用于解决问题的机器学习模型的准确率，对于数据科学家来说是最重要的事情。通常在构建模型时就会通过交叉验证法和误差评估指标来衡量模型的准确性，这也是将模型部署到生产环境之前必要的质量检查。虽然在构建模型时已经经过各种验证，如RMS

6、E.精确率/召回率和交叉验证，我们在前面学习过，知道这些指标都是基于历史数据进行评估的。一旦模型部署到生产环境中，才会知道模型的性能到底有多好。通常这个问题的解决方案不止一个。在设计推荐引擎时，应该牢记以下内容：实时评估模型性能的方法使用多个模型生成推荐，并选择最适合用户的模型下图展示了如何在生产环境中部署简单的A/B测试机制。在A/B测试中，不同的推荐结果集会发送给不同的用户集，并且将在一段时间内实时评估推荐的性能。A/B测试虽然代价高昂，但却是一种有效的实时评估模型的测试方法。10.4.2反馈机制除可以使用A/B测试实时评估推荐系统性能之外，在设计推荐系统时引入反馈机制也是非常重要的。有了

7、反馈机制才能得到用户关于推荐信息的交互，以便在模型生成过程中，对模型特征进行精细调整。引入反馈机制的一种简单方法如下图所示。回忆一下基于内容的推荐引擎，在基于内容的方法中，所有的特征都被赋予相同的权重。但是应该意识到，并不是所有的特征都会对推荐模型起到同样的作用。为了提高模型的准确率，应该启用一个机制来计算特征权重。可以引入反馈机制捕获用户对推荐的交互数据,然后使用该数据构建分类模型以计算模型特征权重。10.5本章小结本章介绍了推荐引擎是如何发展的，以及影响推荐系统演变的动机，之后是一些值得关注的使用案例。最后，探讨了在设计推荐系统之前可以考虑的一些好的方法。拥有了这些知识，相信你已经具备未来构建推荐引擎要求的能力，这些推荐引擎具有自我学习、可扩展和实时性，并且是前卫的。如本章所述，深度学习将在构建未来推荐系统中起着非常重要的作用。