基于物品相似度的协同过滤算法的特点及适用机制

　　

基于物品相似度的协同过滤算法的特点及适用机制

　　

　　最近接到一个任务，一个教育类APP的智能推荐板块，根据用户的购买习惯推荐相应的可购买内容，满足客户的个性化需求，增加产品的点击量以及购买量。

　　一、业务逻辑及适用机制

　　客户要求如下：

　　可以看出用户对这里的智能推荐的个性化需求非常强烈，推测用户对之前购买过的同类型商品更加着迷。

　　目前市面上主流的推荐算法大致可以分为以下几类：

　　这个项目非常符合基于物品相似度的协同过滤算法的使用场景。

　　二、算法特点

　　基于物品相似度的协同过滤算法的适用场景具有以下特点：

　　长尾商品丰富、用户个性化需求强的区域；长尾效应很好理解。比如，最主流、最热的书总是占据书店最显眼的位置，而不太受欢迎的同类型书放在书架上的可能性要小得多，即使这些冷门书籍确实还有市场要求。如果用户购买了某本热门书籍，那么我会向老用户推荐相同类型但不是很好的书籍。这是非常合理的吗？每个人阅读的书籍类型千差万别。我告诉你，你不认识的人也喜欢看书，你不一定想买。

　　当物品数量远小于用户数量时； item数据比用户数据本身更稳定，item数据的样本量小。这时候物品的相似度计算不仅小，而且不需要经常更新。程序压力小。

　　因此，该算法常被应用于图书、电商、教育和电影网站，这些领域都符合以上两个特点。

　　基于物品相似度的协同过滤算法侧重于维护用户的历史兴趣，其交互特征是推荐结果的实时变化。其优缺点如下：

　　三、算法的实现

　　本项目中，基于物品相似度的协同过滤算法的实现大致如下：

　　计算项目的相似度（课程/活动/表演/展览/比赛等）。

　　步骤如下：

　　使用物品的内容属性来计算相似度。内容属性类似于一个标签，可以反映项目的共性。

　　项目可以是物理对象或虚拟娱乐服务。比如某个表演的类型，是戏剧、舞蹈还是唱歌？适合人群是10-18岁的表演青少年、二十多岁的大学生，还是工作稳定、家庭富裕的中年人？演出场地是茶馆、体育馆还是歌剧院？

　　一个item可以有多个tag，两个item具有相同tag的tag越多，两个item的相似度就越高。

　　分析用户行为记录以计算相似度。用户的行为记录包括观看过的演出、观看过的展览、参加过的比赛、购买过的商品等，在确认用户的行为偏好后，“适合自己”。

　　为用户生成推荐列表。将物品与用户的行为关联起来，与用户历史中感兴趣的物品越相似的物品，就越有可能在用户的推荐列表中获得更高的排名。需要考虑以下几个方面：

　　业务场景：可分为冷启动、非冷启动新用户、非冷启动老用户、匿名用户四种。不同的业务场景应用不同的算法。对于本项目，基于物品的协同过滤推荐算法适用于非冷启动老用户。

　　

　　不同的业务场景应用不同的算法

　　推荐位置：前端推荐列表的入口（首页或某个模块）和内部接口层次要考虑。

　　结果评估：推荐列表上线后，采集数据进行算法优化。需要对比算法前后的销量和销量增长情况，以衡量算法的有效性，及时调整推荐机制。

　　本项目在前端给出了智能推荐主入口，提供展示服务、比赛服务、演出服务三个次入口。

　　需要说明的是，这三个二级入口导入的内容一直保持不变，但属于同类项目的长尾列表，曝光率可能偏低。智能推荐需要做的就是增加这些内容的曝光率。

　　

　　考虑的物品的内容属性和权重系数不同：

　　展览服务（展览）：

　　比赛服务（比赛）：比赛类型（书法、绘画、朗诵、小发明等标签）。

　　表演服务（表演）：表演地点、表演类型（朗诵、唱歌、舞蹈、素描等标签）、表演时间（近期推荐）等，类似展览。

　　后台给出了算法的模板配置页面、推荐配置页面和结果评估页面。

　　本文由@Smile 原创发表在人人网是产品经理。未经许可禁止转载

　　标题图片来自Unsplash，基于CC0协议

　　奖励作者，鼓励他努力！

　　欣赏