产品经理要不要懂技术?要的!本系列文章将从最简单的概念开始,逐步讲解推荐系统的发展历程和最新实践。以产品经理的视角,阐述推荐系统涉及的算法,技术和架构。本章是第二章,将系统性地通过图文的方式介绍协同过滤算法。
我有个兄弟,是抖音的点赞狂魔,他的点赞次数高达6924次,而且他大多数的赞都是给那些青春靓丽的 *** 姐们,如下图。看他的抖音推荐内容,都是满目的 *** 姐唱啊跳啊不亦乐乎,他也觉得甚爽。不过,好景不长,没多久他就跟我说:“我再也不敢再点了,我老婆已经发现我给 *** 姐们点了上1000个赞,而且知道我点赞的视频,也会推荐给她”。
把好友看过的视频推荐给用户,这就是协同过滤。准确地说,叫用户协同过滤(User Collaborative Filtering)。
一、协同过滤概述(Collaborative Filtering)协同过滤(简称CF)是推荐系统最重要的思想之一。在早期,协同过滤几乎等同于推荐系统。协同过滤思想产生于1994年,被用于邮件系统上。2001年,亚马逊用协同过滤算法来推荐相似商品。
协同过滤的思想比较简单,主要有三种:
用户协同过滤(UserCF):相似的用户可能喜欢相同物品。如加了好友的两个用户,或者点击行为类似的用户被视为相似用户。如我兄弟和她的太太互加了抖音好友,他们两人各自喜欢的视频,可能会产生互相推荐。
物品协同过滤(ItemCF):相似的物品可能被同个用户喜欢。这个就是著名的世界杯期间沃尔玛尿布和啤酒的故事了。这里因为世界杯期间,奶爸要喝啤酒看球,又要带娃,啤酒和尿布同时被奶爸所需要,也就是相似商品,可以放在一起销售。
模型协同过滤:使用矩阵分解模型来学习用户和物品的协同过滤信息。一般这种协同过滤模型有:SVD,SVD++等。这种协同过滤要比前两个来得抽象些,这里先不解释,后面详述。
下面按照物品协同过滤,用户协同过滤和模型协同过滤的顺序,详细解释这几种算法。
二、物品协同过滤的计算2003年,亚马逊发表了一篇论文,阐述了他们如何用物品协同过滤算法(Item-to-Item Collaborative Filtering),搭建他们“看了又看”功能。
如下图:
这是17年前的截图,图跟纸质老照片那样变得斑驳。图中是在购物车关联页面的相关推荐。那么,这个协同过滤推荐是如何做计算出来的呢?
前面之一章说到,人工智能实践过程三个步骤:数据,学习和决策。这里也将用同样的步骤,以图书销售推荐为例,解释物品协同过滤的过程。为了简单化,假设某图书销售平台总共有6本书销售,有6个用户购买。
(1)数据
用户的评分数据,分值1-5分。每个用户对图书的评分如下图矩阵所示。
(2)学习算法
前面说到ItemCF的定义是,相似的物品可能被同个用户喜欢。反过来讲,就是被同个用户喜欢的物品是相似商品。如上图中,图书1和图书2两本书,被用户A同时喜欢,这两本书具有相似性。而图书5和图书6,没有被同个用户同时喜欢,不具有相似性。
如果用余弦相似度计算图书1和图书2的相似度,也叫做cosine距离,计算过程为:
本文首先会讲解包袱和峰值体验的定义、特征、意义,然后讲解我们要如何识别特殊节点,最后讲解在节点中我们需要给用户设计哪些峰值感受以及如何包装。 俗话说“不会抖包袱的产品经理不是好运营”,作为一名喜爱相...
编辑导读:企业在差异阶段需要建树差异的指标体系来满意公司成长需求,那么,如何搭建适合本身的指标体系呢?本文作者将用「5×3」矩阵来辅佐搭建数据指标体系,但愿对你有辅佐。 本日和各人分享企业在差异阶段...
根据相关专业机构及专业人员的实际应用效果反馈,铁路数据在风控策略及助贷业务的客群资质识别都有非常明显的效果。本文详细解析覆盖8亿人的铁路数据,希望可以给到各部门伙伴一定的参考。 目录: 前言 一、覆...
面对用户反馈,我们需要运用什么方法才能做到更好的分析呢?让我们一起跟随笔者,通过各种分析的方法,拓宽我们的思维,去写出更好的用户反馈分析报告吧! 哔哩哔哩(英文名称:bilibili,简称B站)现为...
编辑导读:快消品即快速消费品,是住民消费的重要构成部门,具有便利性、视觉化产物、品牌忠诚度不高的特点。快消品B2B平台是指通过整合传统通路上的各类供给商,缩减畅通环节,晋升全链路效率,为缺乏自有供给链...
编辑导读:对付产物司理来说,反思和总结有利于找出事情中存在的问题,探索纪律,得出履历教导,用于指导下一阶段的事情。本文作者将以本身参加的一个项目为例,对下沉市场家用监控的软件处事增上举办总结阐明,但愿...