标签：提取 难题 算法 信息流 可靠 阶段 质量 个性化 维护
在互联网飞速发展的现代社会，人们每天都要受到成百上千条信息的轰炸，APP推送、新闻热点、信息流广告……一个有效的“信息过滤器”已经成为了人们日常生活的刚需，也是信息供应商在激烈的市场环境中脱颖而出的必杀技。推荐系统正扮演着这样一个角色，它如同筛子一般，帮我们找到最想要的内容。但是，推荐系统过高的技术门槛和研发成本把很多企业挡在了门外。第四范式基于机器学习技术推出的智能推荐产品先荐，专注于内容行业的个性化推荐，凭借自身的技术优势有效解决着这一难题，已经服务了36氪、花瓣、果壳等知名媒体，不断受到行业内的广泛好评。
在接下来的文章中，先荐将系统地讲解推荐系统的相关知识，希望各位技术爱好者能对推荐系统有更多、更多的了解。首先，我们将从推荐系统的工作流程讲起。
这一阶段会收集用户的相关信息，用以生成预测任务的用户画像，这些信息包括用户属性、用户行为或用户访问的资源。只有用户画像完全建立后，推荐系统才能开始运行。推荐系统需要尽可能多地了解用户，这样的话从一开始就能为用户提供合理的推荐结果。
推荐系统依赖于不同类型的输入，例如最直接的显式反馈，即用户直接输入感兴趣的内容，或隐式反馈，即通过观察用户行为间接地推断用户偏好，还可以通过显式和隐式反馈的组合来获得混合反馈。
以网络学习平台为例，用户画像是与特定用户相关联的个人信息的集合。这些信息包括该用户的认知技能、智力水平、学习方式、兴趣爱好以及交互行为等。用户画像通常用于用户模型构建时信息检索所需。换句话说，用户画像粗略地反映了用户模型。要想做成功一个推荐系统，很大程度上取决于其对用户兴趣的表征能力。要想获得准确的推荐结果，准确的用户模型必不可少。
网站一般会在用户操作界面上提示用户对内容做出评价，以便构建和改进该用户的用户模型。推荐结果的准确性取决于用户提供的评级数量。用户的评级数量越多，推荐结果越准确。显式反馈的唯一缺点是，非常依赖用户评级的积极性，而且，用户不是时时刻刻愿意做出评级。不过，相比之下，显示反馈不涉及到从用户行为中获取用户偏好这一步，因此提供的数据更可靠，整个推荐过程也更透明，能够更好地感知推荐系统的质量，从而提高用户满意度。
网站后台通过监测用户的不同行为，自动推测用户的兴趣偏好，例如购买历史、导航历史，在某些网页上停留的时间、用户点击的链接、按钮、以及电子邮件内容等。隐式反馈从用户行为中推断用户的偏好，减轻了用户的评级负担。隐式反馈对用户评级的积极性要求不高，准确性也较低。
也有一些人认为，用户隐性反馈的数据实际上更客观，在隐式反馈的情况下，用户不需要以社会大众期望的方式做出反应，也没有任何维护自我形象的需求，因此提供的数据更真实。
隐式和显式反馈的优势可以在混合系统中结合，以最大限度地降低二者的不足并实现性能最佳的推荐系统。具体来看，用隐式反馈的数据来校验显式反馈的数据，或仅允许用户在表达明确兴趣时给出显式反馈。
在这一阶段，系统会通过学习算法，过滤上一阶段得到的用户反馈，并提取用户特征。关于这一部分的详细内容，我们会在后续的文章中介绍。
在这一阶段，系统会预测用户可能喜欢的内容类型。这一步可以直接基于在信息收集阶段收集的数据集（基于存储器或基于模型）来实现，也可以通过后台监测到的用户行为来实现。
在下一篇文章中，我们将会详细介绍推荐的过滤技术，敬请期待。
标签：提取 难题 算法 信息流 可靠 阶段 质量 个性化 维护
原文地址：https://blog.51cto.com/13945147/2429810
