在信息量爆炸的今天，由于范式的轉(zhuǎn)移，傳統(tǒng)的內(nèi)容和渠道已經(jīng)不再是稀缺資源；在今天，將信息和內(nèi)容更好更精準(zhǔn)得呈現(xiàn)在用戶面前，才是全方面提高效率的方式，真正的稀缺資源釀成了「推」和「拉」。而在這一切的背后，保舉算法的作用都功不成沒(méi)。

目前的保舉算法一般分為四大類：

協(xié)同過(guò)濾保舉算法應(yīng)該算是一種用的最多的保舉算法，它是通過(guò)用戶的歷史數(shù)據(jù)來(lái)構(gòu)建“用戶相似矩陣”和“產(chǎn)品相似矩陣”來(lái)對(duì)用戶進(jìn)行相關(guān)item的保舉，以達(dá)到精準(zhǔn)滿足用戶愛(ài)好的目的。好比亞馬遜等電商網(wǎng)站上的“買(mǎi)過(guò)XXX的人也買(mǎi)了XXX”就是一種協(xié)同過(guò)濾算法的應(yīng)用。

基于內(nèi)容的保舉算法，是將item的名稱、簡(jiǎn)介等進(jìn)行分詞處理后，提取出TF-IDF值較大的詞作為特征詞，在此基礎(chǔ)上構(gòu)建item相關(guān)的特征向量，再按照余弦相似度來(lái)計(jì)算相關(guān)性，構(gòu)建相似度矩陣。

混合保舉算法很好理解，就是將其他算法保舉的結(jié)果賦予差別的權(quán)重，然后將最后的綜合結(jié)果進(jìn)行保舉的方法。

舉例來(lái)說(shuō)，好比上述已經(jīng)提到了三種方式，協(xié)同過(guò)濾算法中的基于用戶和基于item的協(xié)同過(guò)濾保舉，和基于內(nèi)容的保舉算法；而混合保舉算法中是將這三種保舉結(jié)果賦予差別的權(quán)重，如：基于用戶的協(xié)同過(guò)濾的權(quán)重為40%，基于item的協(xié)同過(guò)濾的權(quán)重為30%，基于內(nèi)容的過(guò)濾技術(shù)的權(quán)重為30%，然后綜合計(jì)算得到最終的保舉結(jié)果。

這個(gè)很基礎(chǔ)，看名字就知道了。這種方法是對(duì)item使用某種形式的流行度度量，例如最多的下載次數(shù)或購(gòu)買(mǎi)量，然后向新用戶保舉這些受歡迎的item。就和我們平時(shí)經(jīng)?？吹降臒衢T(mén)商品、熱門(mén)保舉類似。

了解了大概原理后，就可以來(lái)看看在實(shí)際場(chǎng)景中，保舉算法都是怎么使用的吧。（事先聲明，這只是我看了相關(guān)東西再結(jié)合本身理解進(jìn)去推測(cè)的，如果有說(shuō)錯(cuò)的地方請(qǐng)各位千萬(wàn)放下手中的刀……）

好，下面開(kāi)始，先說(shuō)說(shuō)協(xié)同過(guò)濾算法在實(shí)際中的應(yīng)用。

協(xié)同過(guò)濾算法一般是怎么做的呢？我們先來(lái)看看在圖書(shū)保舉中的做法：

協(xié)同過(guò)濾（CF）大致可分為兩類：一類是基于鄰域的保舉、一類是基于模型的保舉；鄰域方法是使用用戶對(duì)已有item的喜愛(ài)程度來(lái)推測(cè)用戶對(duì)新item的喜愛(ài)程度。與之相反，基于模型的方法是使用歷史行為數(shù)據(jù)，基于學(xué)習(xí)出的預(yù)測(cè)模型，預(yù)測(cè)對(duì)新項(xiàng)的喜愛(ài)程度。通常的方式是使用機(jī)器學(xué)習(xí)算法，找出用戶與項(xiàng)的彼此作用模型，從而找出數(shù)據(jù)中的特定模式。（由于基于模型的方法我也不太理解，暫時(shí)不展開(kāi)說(shuō)明，感興趣的可以查閱相關(guān)資料）

【基于鄰域的保舉】–便是構(gòu)建用戶相似矩陣和產(chǎn)品相似矩陣

假設(shè)用戶表示出了對(duì)一些圖片的喜歡情況并進(jìn)行了相應(yīng)的評(píng)分，情況如下：

差別圖書(shū)代表差別維度，評(píng)分則代表了特征向量在該維度上的投影長(zhǎng)度，按照用戶對(duì)差別圖書(shū)的喜愛(ài)程度建立用戶的特征向量，，然后按照余弦相似度可以判斷用戶之間的相似性。按照相似性可以建立用戶相似矩陣：

很顯然，通過(guò)按照用戶對(duì)歷史圖書(shū)的評(píng)分情況，可以得到用戶對(duì)其的喜戀愛(ài)況，在此基礎(chǔ)上構(gòu)建出用戶特征向量，可以必然程度上判斷兩個(gè)用戶在圖書(shū)品味上的相似程度，進(jìn)而我們可以認(rèn)為，若A和B比較相似，可以認(rèn)為A喜歡的書(shū)B(niǎo)也喜歡。

在給A用戶進(jìn)行圖書(shū)保舉時(shí)，找到與其相似度較高的其他用戶，然后除去A用戶已看過(guò)的圖書(shū)，結(jié)合相似用戶對(duì)某本圖書(shū)的喜愛(ài)程度與該用戶與A用戶的相似度進(jìn)行加權(quán)，得到的保舉指數(shù)越高的圖書(shū)優(yōu)先進(jìn)行保舉。

這應(yīng)該也是豆瓣等圖書(shū)社區(qū)上使用的保舉算法之一，利用用戶之間的相似度來(lái)進(jìn)行保舉。當(dāng)然，電影保舉也同理。

同理，反過(guò)來(lái)我們可以根據(jù)相似的方位，以用戶為維度來(lái)構(gòu)建item的特征向量。?當(dāng)我們需要判斷兩本書(shū)是否相似時(shí)，就去看對(duì)這兩本書(shū)進(jìn)行過(guò)評(píng)價(jià)的用戶構(gòu)成是否相似，便是使用評(píng)價(jià)過(guò)一本書(shū)的用戶向量（或數(shù)組）體現(xiàn)這本圖書(shū)；也就是說(shuō)，如果有兩本書(shū)的評(píng)價(jià)中，用戶重合度較高，即可認(rèn)為該兩本書(shū)相似度較高。其實(shí)借用的還是用戶相似的基礎(chǔ)。（《口語(yǔ)大數(shù)據(jù)與機(jī)器學(xué)習(xí)》中也提到過(guò)相似的保舉算法，感興趣的同學(xué)可以找來(lái)看一下）。

在音樂(lè)的保舉中同樣用到了協(xié)同過(guò)濾算法，我們眾所周知的使用個(gè)性化保舉的音樂(lè)app應(yīng)該屬「網(wǎng)易云音樂(lè)」比較典型了。

標(biāo)簽：東營(yíng) 鹽城 林芝 九江 烏魯木齊