[本文鏈接：http://www.cnblogs.com/breezedeus/archive/2012/11/12/2765890.html，轉(zhuǎn)載請(qǐng)注明出處。]

?

Talk3：尋路推薦，穩(wěn)國(guó)柱@豆瓣

[ppt下載地址：http://vdisk.weibo.com/s/gNupb]

?

作者介紹了在豆瓣經(jīng)歷的三個(gè)推薦產(chǎn)品：電影推薦、圖書推薦和電臺(tái)的音樂(lè)推薦。

?

1. 電影推薦。在電影推薦中如果純粹使用CF算法，會(huì)產(chǎn)生比較嚴(yán)重的頭部效應(yīng)（熱門電影同時(shí)被推薦）。用戶在一家影院看完某部動(dòng)作片后，他經(jīng)常會(huì)對(duì)在這家影院同時(shí)上映的很多電影一起評(píng)分。如果直接把CF算法應(yīng)用于用戶的評(píng)分?jǐn)?shù)據(jù)上，就可能導(dǎo)致喜歡動(dòng)作片的也喜歡劇情片的尷尬。作者使用了豆瓣上優(yōu)質(zhì)的標(biāo)簽數(shù)據(jù)解決這個(gè)問(wèn)題。首先把電影按照電影標(biāo)簽進(jìn)行分組（比如分成動(dòng)作片，劇情片等）；然后在每個(gè)組里面使用CF算法產(chǎn)生推薦結(jié)果；最后把每組中獲得的推薦按照加權(quán)組合的方式組合在一塊。

?

2. 圖書推薦。圖書推薦中有一些新的挑戰(zhàn)。圖書有一定的階梯性，比如有科普數(shù)學(xué)圖書以及專業(yè)數(shù)學(xué)圖書，為看專業(yè)數(shù)學(xué)書的用戶推薦科普數(shù)學(xué)書一般意義不大。而且很多人更愿意從領(lǐng)域?qū)＜夷抢铽@得圖書建議，而不是從公眾。畢竟人的境界差別很大，想看的書也差別很大。用作者的話說(shuō)：“在大部分的場(chǎng)合，我們需要的并不是與自己相似的用戶的推薦，而是與自己相似的專家的推薦”。所以作者利用專家來(lái)為其他人產(chǎn)生推薦。首先從所有用戶中以某種方式選出各個(gè)圖書方向的專家，然后每個(gè)方向的專家再為每個(gè)用戶產(chǎn)生那個(gè)方向的推薦。最后給用戶的推薦列表當(dāng)然是綜合了各個(gè)方向的專家的推薦了。這里面的一個(gè)問(wèn)題是，那對(duì)專家自身的推薦來(lái)自哪呢？專家得自己能探索新書！

?

3. 電臺(tái)的音樂(lè)推薦。音樂(lè)推薦又有更多的挑戰(zhàn)了，如“怎么平衡不同用戶群在不同狀態(tài)的需求”，“怎么根據(jù)用戶實(shí)時(shí)反饋?zhàn)龀鲰憫?yīng)”等。作者在項(xiàng)目開始時(shí)就比較明確單一的算法是沒(méi)法獲得好的推薦結(jié)果的，必須使用一個(gè)算法系統(tǒng)（其中包含多個(gè)算法）來(lái)針對(duì)不同的用戶進(jìn)行不同的算法調(diào)度。下面這個(gè)系統(tǒng)圖中的“DJ”指的就是不同的推薦算法，而“Dispatcher”就是算法調(diào)度器，它依據(jù)用戶的反饋實(shí)時(shí)調(diào)整并調(diào)度該使用的算法。

?

最后，作者認(rèn)為理想的推薦系統(tǒng)應(yīng)該是能夠跟隨用戶的成長(zhǎng)而不斷成長(zhǎng)的。

轉(zhuǎn)載于:https://www.cnblogs.com/breezedeus/archive/2012/11/12/2765890.html

總結(jié)

以上是生活随笔為你收集整理的aDev第13期#个性化推荐技术#总结（Part III, Final: 稳国柱@豆瓣）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。