如何從無到有建立推薦系統(tǒng)

1、【Resys】如何從無到有建立推薦系統(tǒng)推薦系統(tǒng)廣泛應用于各類網(wǎng)站，電子商務中的商品推薦、博客網(wǎng)站的文章推薦，以及幫助人們尋找音樂和影片的各類應用。但如何才能從無到有的給網(wǎng)站配備一個推薦系統(tǒng)呢？針對這個問題，我在搜索引擎中遍尋多時，但始終沒有找到滿意的答案。這期間我也加入了國內(nèi)推薦系統(tǒng)高手聚集的推薦系統(tǒng)郵件列表，其中不乏當當、卓越亞馬遜、豆瓣等業(yè)內(nèi)在推薦系統(tǒng)上領先的產(chǎn)品、技術高手，但浸淫多日卻始終無法在腦海中形成一個以內(nèi)容推薦為最終目的的產(chǎn)品框架或產(chǎn)品路線圖。這種狀態(tài)一直持續(xù)到我購買了集體智慧編程（Programming Collective Intelligence）后才得以改觀，現(xiàn)在我將此書

2、的部分讀書筆記予以整理，希望能給同樣對推薦系統(tǒng)感興趣的朋友整理出一個可操作的、適合內(nèi)容型網(wǎng)站推薦系統(tǒng)產(chǎn)品框架。正文分割線我們知道，要想了解內(nèi)容網(wǎng)站的推薦信息，最沒有技術含量的方法莫過于向朋友詢問。我們也知道，這其中有一部分人的品位會比其他人的高一些，通過觀察這些人是否通常也和我們一樣喜歡同樣的東西，可以逐漸對這些情況有所了解。不過隨著選擇越來越多，要想通過詢問一小群人來確定我們想要的東西，將會變得越來越不切實際，因為他們可能并不了解所有的選擇。這就是為什么人們要發(fā)展出一套被稱為協(xié)同過濾（collaborative filtering）的技術。從實際的情況看，目前我們所能接觸到的領先推薦系統(tǒng)，包

3、括Netfilx、豆瓣、Amazon等等都是利用協(xié)同過濾技術來實現(xiàn)的。協(xié)同過濾又分成幾種：基于用戶的協(xié)同過濾、基于項目的協(xié)同過濾、基于模型的協(xié)同過濾。那么到底什么是協(xié)同過濾？它需要產(chǎn)品設計者做哪些事情才能實現(xiàn)？（為了讓問題簡化，這里著重介紹基于用戶的協(xié)同過濾）一個基于用戶的協(xié)同過濾過濾算法通常的做法是對一大群人進行搜索，并從中找出與我們品位相近的一小群人。算法會對這些人所偏愛的其他內(nèi)容進行考察，并將它們組合起來構(gòu)成一個經(jīng)過排名的推薦列表。因此產(chǎn)品設計者需要理解你的網(wǎng)站需要依次做以下這幾件事情：1.搜集偏好（Collecting Preferences）要搜集偏好意味著要尋找一種表達不同人及其偏

4、好的方法。例如，豆瓣會要求用戶對每部電影用1到5顆星來評分，以此來體現(xiàn)包括本人在內(nèi)的每位影評者對某一給定影片的喜愛程度。假如你正在設計一個購物網(wǎng)站，那不妨用數(shù)字1來代表有人過去購買過某件商品，用數(shù)字0來代表未曾購買過任何商品。而對于一個新聞故事投票網(wǎng)站，我們可以分別用數(shù)字-1、0和1來表達“不喜歡”、“沒有投票”、“喜歡”。不管偏好如何表達的，你要做的是建立一種方法來使得你的用戶來參與表達，并把他們表達的內(nèi)容對應到數(shù)字以形成相應的數(shù)據(jù)集合。2.尋找相近的用戶（Finding Similar Users）有了人們偏好的數(shù)據(jù)集后，我們需要有一種方法來確定人們在品位方面的相似程度。為此，我們可以將每

5、個人與所有其他人進行對比，并計算他們的相似度評價值。有若干種方法可以達到此目的：歐幾里德距離（Euclidean Distance Score）、皮爾遜相關度（Person Correlation Coefficient）、余弦相似性（Cosine-based Similarity）、調(diào)整余弦相似性（Adjusted Cosine Similarity）、Jaccard系數(shù)或曼哈頓距離算法等。請記住，各種相似度的計算方法各有所長，要根據(jù)具體的應用場景來選取一種或幾種綜合使用。下面以實際例子簡單介紹兩種：歐幾里德距離（Euclidean Distance Score）：它以經(jīng)過人們一致評價的物品

6、為坐標軸，然后將參與評價的人繪制到圖上，并考察他們彼此間的距離遠近。x軸、y軸分別代表電影Dupree和Snake，而在第一象限偏好空間里的則是每個人對這兩部電影的評分。不難發(fā)現(xiàn)，Toby對Snakes和Dupree這兩部電影的評分是4.5和1.0，而LaSalle的則是4.0和2.0。按照歐幾里德距離的結(jié)論，偏好越相似的人，其在偏好空間的距離就越短。至于如何計算兩者的距離，運用你初中學的幾何知識就行，計算兩點每個坐標的差值，求平方后再相加，最后對總和取平方根。值得一提的是此方法對于數(shù)量多于兩項的評分也同樣適用。因此，你可以設計一個函數(shù)來計算2個用戶間的相似度，當然前提是兩者需要有一定重合的評

7、分項。皮爾遜相關度（Pearson Correlation Score）：它的原理是通過判斷兩組數(shù)據(jù)與某一直線擬合程度來判斷相似度。它在數(shù)據(jù)不是很規(guī)范（normalized）的時候，如影評者對影片的評價總是相對于平均水平偏離很大時，會傾向于給出更好的結(jié)果。如下圖是Mick LaSalle和Gene Seymour分別對5部電影的評分（與上圖不同，x軸和y軸對應的是兩個人），虛線被稱為最佳擬合線（best-fit line），其繪制原則是盡可能地靠近圖上的所有坐標點。如果兩位評論者對所有影片的評分情況都相同，那么這條直線將成為對角線，并且會與圖上所有的坐標點都相交。下圖展示了一個有著更高相關系數(shù)

8、的例子，這意味著Lisa Rose和Jack Matthews在這幾部電影上有著更高的相似度（各點更靠近最佳擬合曲線）。采用皮爾遜方法可以修正“夸大分值（grade inflation）”的情況。在上圖中，雖然Jack總是傾向于給出比Lisa更高的分數(shù)，但最終的直線仍然擬合度較高，這是因為他們兩者有著相對近似的偏好。也就是說，如果某人總是傾向于給出比另一人更高的分數(shù)，而兩者的分差又始終保持一致，則他們依然可能會存在很好的相關性。而此前提到過的歐幾里德距離評價方法，會因為一個人的評價始終比另一個人更為“嚴格”（從而導致評價始終相對較低），而得出兩者不相近的結(jié)論，即使他們的品位很相似也是如此。而這

9、一行為是否是我們想要的結(jié)果，取決于具體的應用場景。皮爾遜的相關度算法首先會找出兩位評論者都曾評價過的物品，然后計算兩者的評分總和和平方和，并求得評分的乘積之和。最后，利用這些計算結(jié)果計算出相關系數(shù)：PS：公式能看懂，但我還未能從數(shù)學上去理解此公式的推導過程，慚愧-_-|3.為評論者打分（Ranking the Critics）理解了上一步后，這步就簡單了?，F(xiàn)在只需根據(jù)指定的人員對每個人進行打分，找出最接近的匹配結(jié)果，也即所謂該人的最近鄰?；氐缴厦娴睦樱覀兊哪康氖且獙ふ遗c自己品位相似的影評者，那么所需要做的就是以你自己為基準，計算每個人和你的相似度，然后排序輸出前幾項即可。現(xiàn)在假設你是Tob

10、y，那么經(jīng)過這一步的計算你會得到一個你的最近鄰列表，也就是說你可能會知道Lisa、Mick和Claudia可能是和你品位最相近的3個人。4.推薦物品（Recommending Items）找到一位和你趣味相投的影評者固然不錯，但我們的最終目的是一份影片的推薦列表（上面提到過的以內(nèi)容推薦為最終目的）。當然，簡單的做法是查找與自己品位最相近的人，并從他所喜歡的影片中找出一部自己還未看過的影片，但這樣做有些隨意或者是粗糙。因為如果該人還未對某些影片做過評論，但這些影片也許就是我們所喜歡的。又或者另外的一種情況就是推薦給你某人特別熱衷的一部影片，但有其他可靠數(shù)據(jù)表明所有的其他評論者都不看好這部影片。為

11、了解決上述問題，我們需要一個經(jīng)過加權(quán)的評價值來為影片打分：上圖中Critic列是與Toby進行相似度對比的人名，Similarity列表示他們與Toby的相似度系數(shù)。Night、Lady和Luck都是電影名，所在列是這些人對這些電影的評分。S.x打頭的那幾列給出了相似度系數(shù)和評分后相乘的結(jié)果。如此一來，相比于我們不相近的人，那些與我們相近的人將會對整體評價擁有更多的貢獻。那有人會問為什么不直接采用Total這行，而需要Total/Sim.Sum？這是因為，一部受更多人評論的影片會對結(jié)果產(chǎn)生更大的影響，因此我們必須要除以Sim.Sum，它代表了所有對這部電影有過評論的評論者的相似度之和。就像Night這部電影，Total為12.89，有5個人為其評分，而Lady為8.38，4個人評分。假設電影Night有和當前相同的Total分數(shù)卻多了一倍的人為其評分，那最后