您对昼夜使用的智能推荐系统了解多少？ [Aix Smart]

　　（2）推荐算法

　　我们知道推荐结果是通过推荐系统所需数据​​进行计算和处理的结果，并且计算和处理过程使用推荐算法. 如果我们将推荐系统所需的数据视为原材料，则推荐算法是装配线上的工人，根据程序对原材料进行处理和包装，然后将其存储在仓库（缓存层）中. 那么，更广泛使用的推荐算法是什么？

　　1. 基于神经网络的文本语义推荐算法

　　CB（基于内容的推荐），即根据用户的历史采集内容（项目），向用户推荐与其历史采集内容相似或相关的内容. 例如，在汽车信息场景中，用户阅读了很多有关“宝马”汽车的文章，然后该列表还将推荐类似于“宝马”汽车的文章. 值得注意的是，基于相似内容的推荐不仅涉及标题，而且还收录所有被认为具有计算价值的文本的相似性

　　2. 基于协同过滤的推荐算法

　　基于内容的推荐算法将带来一系列问题. 例如，它将允许用户进入信息茧室而不能执行冷启动（新用户）建议. 因此，在大多数业务场景中，需要将智能推荐应用于基于协作推荐算法（CF），并与CB推荐相结合. （CF）是一种算法，它指的是对哪种类型的数据进行协调，以及完成协作后如何进行过滤. 这些是（CF）算法的关键点.

　　协作推荐算法（CF）背后的逻辑是，每个人对自己利益的看法都是单方面的，并且是无知的. 即使您还没有看到任何东西，每个人都不知道也不知道他们是否会喜欢. 因此，CF依靠“群体共性”和“群体智慧”来挖掘出用户可能喜欢的那些潜在内容并将其推荐给用户. CF算法也是最早，最经典的推荐算法之一. 可以说CF算法是推荐算法的发起者. 我们的许多后续推荐算法都基于基于CF的协作过滤思想. 基于协作的推荐算法有两种: 基于用户的协作过滤算法和基于项目的协作过滤算法.

　　3. 基于用户行为的深度学习模型

　　随着技术的发展，深度学习的应用场景变得越来越广泛，并且已经进行了许多尝试将深度学习应用于行业中的推荐系统. 基于用户行为的深度学习模型首先被应用于中小型计算广告系统. 出于成本考虑，由于庞大的吞吐量和低延迟要求，大型计算广告系统通常使用简单的回归算法.

　　深度学习模型在推荐系统中有两个主要应用: 一是使用更精确的语义模型来进行项目相似度计算；二是将深度学习模型应用于推荐项目. 另一种是抽象用户行为并提取特征以预测点击概率；

　　4. 基于关联规则的推荐

　　在电子商务领域中广泛使用的另一种推荐算法是基于关联规则的推荐. 从本质上讲，它与协作过滤算法相似，不同之处在于它与用户自己的购买记录进行协作. 典型的故事是啤酒和尿布的故事. 尽管故事的来源不再可用，但它是当前最广泛认可的数据带来的好处的案例.

　　故事的内容是: 经过数据分析，北美的超市运营商发现，啤酒和尿布更有可能以相同的顺序出现. 因此，我进一步研究发现，家庭中购买尿布的大部分事情都是由家庭中的男人完成的，男人在购买尿布时总是会带几罐啤酒. 因此，通过调整货架位置，将尿布和啤酒放在一起，以便更多的男人在购买尿布时可以带一打啤酒. 结果，销售额大大增加了.

　　这个故事本身不能接受审查. 例如，尿布和啤酒总是总是一起买的，所以你不应该把它们放在一起，而要保持一定距离. 在移动线设计中，让用户浏览两种商品的过程，并放置其他一些男人会随身携带的商品，回报率可能更高. 我们暂时不会讨论这个故事的可信度. 这个故事反映了关联规则推荐背后的最简单逻辑: 我应该需要其他用户经常一起购买哪些产品.

　　通常，作为一种智能的内容分发平台，其内容分发方法多种多样. 内容平台包括算法分发，编辑（手动）分发，社交分发等，内容平台将根据自身特点选择高分发效率的分发方式. 总体来说，内容平台中存在多种分发方式.

　　例如，在新闻场景中，可能需要在指定位置显示固定类型的新闻，而其他推荐位置将使用算法进行分发. 例如，微博的热点是算法的分布，而以下各节的算法是纯粹基于订阅的社交分布. 还是在业务场景中，各种分配方法都以权重的形式参与了最终结果的表示. 例如，电子商务搜索部分不仅使用基于语义和用户行为的个性化搜索排名，而且还增加了主要产品，流量产品等的权重，因此这些产品在分发过程. 最上面的一个显示在用户的屏幕上. 当平台内容量大，用户规模达数千万甚至数千万时，信息和用户的有效匹配就显得尤为重要，它将自然通过各种方法提高分发效率.

　　3. 智能推荐与分类和搜索引擎有什么区别

　　在当今的互联网时代，我们大致经历了三种获取信息的方式: 目录，搜索引擎和智能推荐. 他们还催生了提供三种类型的信息获取服务的成功公司. 类别包括: Yahoo，Sina；搜索引擎: 谷歌，百度；明智的建议: ByteDance.

　　类别目录所涵盖的信息量是有限的，并且用户不容易找到不同类别的信息. 搜索引擎覆盖范围广，操作简单，但是用户必须提供准确的关键字. . 在当今的信息爆炸时代，用户依靠上述两种方法来准确地获取所需内容并不容易，尤其是当他们不了解所需内容的具体分类和精确关键字时. 明智的建议是通过计算用户行为数据，将最需要的信息主动推送给用户. 它与目录和搜索引擎之间的区别体现在这里.

　　推荐系统根据用户的静态属性和用户行为数据来匹配信息. 因为每个用户都有各自的差异，所以每个用户获得的信息都是不同的且个性化的，并且推荐系统传递的信息是主动而非被动的过程.

　　我们每个人都不能没有的在线购物向我们展示了明智推荐的优势和必要性. 有数千万种产品，搜索词也多种多样. 如果我们不依靠智能推荐系统为我们提供便利，那么我们可能很难找到我们真正想要的产品.

　　四个. 明智的推荐势在必行

　　无论它是什么平台，都必须构建一个智能的推荐系统，帮助用户发现内容并克服信息过载. 智能推荐系统正在潜移默化地影响着我们的生活，无论我们是否注意到它，我们都无法离开智能推荐系统. 作为您最了解您的“人”，它正在您和我周围活跃，不仅使该平台有利可图，而且为每个用户提供了更多便利.

　　这种积极推荐人们喜欢和需要的产品和信息的方式，可以迎合人类固有的惯性. 人们喜欢被动接收而不是主动搜索，特别是当信息是我们感兴趣的信息时. 如今，聪明的建议无处不在. 购物平台上的商品推荐，短视频平台上的视频推荐，娱乐平台上的音乐和电影推荐，新闻信息平台上的信息推荐，甚至社交平台上的朋友卡推荐，都依赖于此. 简而言之，在不同用户手中，每个应用程序可以相同或完全不同. 一切都会根据您的个性和喜好进行定义. 这是智能推荐的本质.