一直對各類大熱的推薦演算法保持謹慎的懷疑態度， 去年讀了項亮的《推薦系統實踐》後， 稍稍改變了些看法。 瞭解它的好處在於， 在技術與價值觀的爭論大賽中， 能把自己擺到一個比較遠的位置來思考， 瞭解後再相互比較， 會有一個更全面的認識。 就像我的一位朋友對我說的：“你先要知道什麼是理性的， 你還要知道什麼是感性的， 理性可能是你最好的選擇， 但是此時此刻， 你仍然選擇了感性。 ”
以下是一些讀書筆記， 希望和大家分享這本好書。
1.推薦系統的產生
人們從資訊匱乏時代走向了資訊超載時代，
在這種需求下， 出現了兩種不同的思路， 最終演變成了兩種不同的產品來説明人們提升效率。 一種思路認為， 人們在尋找資訊前已經有了大概的方向， 知道自己想要的東西是什麼， 我們只需要從海量的資訊中篩選出相關的資訊即可， 這種思路演變為的產品叫做搜尋引擎；另一種思路認為， 人們不需要去關心自己想要什麼， 我們在海量的資訊中找出那部分人們喜歡的資訊， 然後直接給他即可， 這種思路演變的產品叫做推薦系統。
搜尋引擎和推薦系統， 解決的都是資訊超載的問題。 搜尋引擎需要使用者主動提供準確的關鍵字來尋找資訊， 滿足使用者有明確目的主動查找資訊需求；推薦系統不需要使用者主動提供明確的需求， 由系統主動推薦資訊到使用者面前， 在使用者沒有明確目的的時候説明他們發現資訊。
2.推薦系統的類別
推薦系統的類別， 分為個性化推薦和非個性化推薦。 個性化推薦是指， 根據使用者的興趣和行為， 給使用者推薦感興趣的資訊。 非個性化推薦指， 不針對特定使用者， 對全部的使用者推薦同樣的資訊。
2.1個性化推薦
個性化推薦， 針對不同使用者推薦不同的資訊。 實行個性化推薦需要滿足兩個條件：1.存在資訊超載；2.用戶沒有明確的需求。
基於以上兩個條件來看， 某些領域天然的具有使用個性化推薦的優勢， 比如：新聞， 用戶沒有十分明確的需求（可能有比較大類型的口味偏差）且信息量太大；而某些領域天然的不具備這樣的條件， 比如被寡頭壟斷的行業（種類太少）， 或者資訊更新速度太慢的行業。
而有些產品就不太適合個性化推薦， 比如我經常用的外賣app回家吃飯， 不知道哪個版本開始就把推薦的功能放在了核心位置。 首先， 一個固定地理位置附近的回家吃飯家廚相對有限， 根本不存在資訊超載的問題， 隨便翻幾下就能翻到底了；其次， 對於很多使用者來說已經有了部分明確的需求（口味等）， 一個篩選或者搜索已經夠用了。
作者特別指出了一種獨特的個性化推薦——個性化廣告， 廣告是整個互聯網的重要商業模式， 需要把廣告和傳統的個性化推薦加以區分：
•狹義個性化推薦——幫使用者找到感興趣的資訊——以使用者為核心
•個性化廣告推薦——幫廣告找到對它們感興趣的用戶——以廣告為核心
2.2非個性化推薦
非個性化推薦不針對特定使用者， 對全部的使用者推薦同樣的資訊。 非個性推薦的演算法比較簡單， 有些資訊完全可以讓人工來做（比如互聯網運營同學， 或者某一領域的專家）。
非個性化推薦可以解決兩個問題：1.讓全域優秀內容被大家都看到；2.讓新加入的優秀內容被發現。
非個性化推薦在實際應用中也同樣常用， 比如， 一個電商網站的top10排行榜， 一個音樂網站的專家推薦欄目等等。
2.3小思考
選擇個性化推薦還是非個性化推薦， 需要根據產品的具體場景來分析， 主要取決於供給資源的信息量， 供給資源可能是商品、新聞、音樂等等。 當然， 對於大型平臺來說， 信息量是讓它變大的基礎資源， 所以各類推薦演算法就變得十分重要了， 對於一些小的產品來說， 還是先把核心精力放在其他地方比較好。
3.個性化推薦演算法
個性化推薦演算法包含非常的種類， 這裡可以簡單介紹幾種比較好理解的協同過濾演算法。
協同過濾演算法裡面比較常用、也比較好理解的有兩種：基於使用者的協同過濾演算法UserCF和基於物品的協同過濾演算法ItemCF。 這兩種都屬於基於鄰域的方法neighborhood-based。
UserCF的核心思路是，給用戶推薦和他興趣相似的其他用戶喜歡的物品。先找到和目標使用者興趣相似的使用者集合，再找到這個集合中的使用者喜歡的，且目標使用者沒有聽說過的物品推薦給目標使用者。
ItemCF的核心思路是，給用戶推薦和他之前喜歡的物品相似的物品。先計算物品的相似度，再根據物品的相似度和用戶的歷史行為給用戶生成推薦列表。
瞭解UserCF和ItemCF的同時，還需要瞭解下使用者的行為分類。
用戶的行為，按回饋的明確性，可以分為以下兩種類別：
對於隱性回饋行為資料，只有正回饋資料，所以要進行推薦需要採集負反饋資料，找到負反饋資料，目的是為了不給使用者進行推薦此類資訊。一般認為，很熱門但是使用者卻沒有行為的資訊，比冷門資訊更能表示使用者不感興趣，因為冷門的資訊，使用者可能壓根沒有發現，所以談不上興趣。
用戶的行為，按回饋的方向，可以分為以下兩種類別：
UserCF和ItemCF，對比來看，存在以下差異：
關於個性化推薦演算法，還有很多種類，比如隱語義模型、基於關聯規則推薦等等，由於篇幅原因，在這裡就不一一列舉，我整理了個簡單的表格供參考。需要指出的是，每種演算法都不是最優的，他們都有自身的局限問題，產品需要根據自身的特點來選擇合適的演算法，解決實實在在的問題。
4.推薦系統的冷開機問題
在第一節我們說到，推薦系統不需要使用者主動提供明確的需求，由系統主動推薦資訊到使用者面前，在使用者沒有明確目的的時候説明他們發現資訊，冷開機就指的是這個過程中，使用者、資訊的從0到1過程。
推薦系統的冷開機大概包含三個方面：1.在用戶新入駐一個平臺時，由於沒有歷史資料，我們如何給使用者做個性化推薦。2、我們的系統新上線了一個物品（商品、音樂、新聞），如何把這個新的資訊推薦給感興趣的使用者。3、如果我們從0開始設計，如何在使用者少、資訊少的情況下來設計推薦系統。
要解決推薦系統的冷開機問題，作者提供了很多辦法，這裡也就不一一列舉，這裡需要知道冷開機的概念即可。也推薦有興趣的朋友購買原書來仔細閱讀。
5.推薦系統的其他特性
本書還詳細討論了推薦系統的其他問題，比如基於標籤的推薦系統，對於內容種類特別的多的產品還是很有用的，比如豆瓣電影中，你在評價時就可以貼標籤上去。由於標籤系統一般是UGC的，所以對於大資料分析來說是一種非常好的資料，所以對基於商品的資料分析特別在乎的業務，上標籤系統應該是一種特別好的策略。
另外本書還討論了上下文資訊在推薦系統中的應用，缺乏上下文資訊會導致很多問題，比如在夏天推薦給用戶冬天的衣服，在中關村給用戶推薦望京的餐廳等等，為了解決這些問題，在推薦系統中需要引入上下文資訊，用來盡可能地提升推薦資訊的準確性。
最後，本書還講了關於社交網路的推薦，這裡列舉一個我覺得很有意思的社交網路分類：
可能是我缺乏社交產品的經驗，這個分類讓我覺得很巧妙，二者都有相互交織的地方，或許雙方也都想做對方核心結構內的事情，人與人之間的關係搬到網際空間後發生了多少變化，又有哪些永不改變，仔細想想真是十分有趣。
最後，這本書不僅適合程式師入門看，同時也適合產品經理、運營以及真正熱愛生活的人。學習推薦系統的思路，瞭解推薦系統的基本知識，也能提醒人們思考技術與人之間的關係，在數位世界與物理世界的混合體中，我們該如何相處。
這兩種都屬於基於鄰域的方法neighborhood-based。UserCF的核心思路是，給用戶推薦和他興趣相似的其他用戶喜歡的物品。先找到和目標使用者興趣相似的使用者集合，再找到這個集合中的使用者喜歡的，且目標使用者沒有聽說過的物品推薦給目標使用者。
ItemCF的核心思路是，給用戶推薦和他之前喜歡的物品相似的物品。先計算物品的相似度，再根據物品的相似度和用戶的歷史行為給用戶生成推薦列表。
瞭解UserCF和ItemCF的同時，還需要瞭解下使用者的行為分類。
用戶的行為，按回饋的明確性，可以分為以下兩種類別：
對於隱性回饋行為資料，只有正回饋資料，所以要進行推薦需要採集負反饋資料，找到負反饋資料，目的是為了不給使用者進行推薦此類資訊。一般認為，很熱門但是使用者卻沒有行為的資訊，比冷門資訊更能表示使用者不感興趣，因為冷門的資訊，使用者可能壓根沒有發現，所以談不上興趣。
用戶的行為，按回饋的方向，可以分為以下兩種類別：
UserCF和ItemCF，對比來看，存在以下差異：
關於個性化推薦演算法，還有很多種類，比如隱語義模型、基於關聯規則推薦等等，由於篇幅原因，在這裡就不一一列舉，我整理了個簡單的表格供參考。需要指出的是，每種演算法都不是最優的，他們都有自身的局限問題，產品需要根據自身的特點來選擇合適的演算法，解決實實在在的問題。
4.推薦系統的冷開機問題
在第一節我們說到，推薦系統不需要使用者主動提供明確的需求，由系統主動推薦資訊到使用者面前，在使用者沒有明確目的的時候説明他們發現資訊，冷開機就指的是這個過程中，使用者、資訊的從0到1過程。
推薦系統的冷開機大概包含三個方面：1.在用戶新入駐一個平臺時，由於沒有歷史資料，我們如何給使用者做個性化推薦。2、我們的系統新上線了一個物品（商品、音樂、新聞），如何把這個新的資訊推薦給感興趣的使用者。3、如果我們從0開始設計，如何在使用者少、資訊少的情況下來設計推薦系統。
要解決推薦系統的冷開機問題，作者提供了很多辦法，這裡也就不一一列舉，這裡需要知道冷開機的概念即可。也推薦有興趣的朋友購買原書來仔細閱讀。
5.推薦系統的其他特性
本書還詳細討論了推薦系統的其他問題，比如基於標籤的推薦系統，對於內容種類特別的多的產品還是很有用的，比如豆瓣電影中，你在評價時就可以貼標籤上去。由於標籤系統一般是UGC的，所以對於大資料分析來說是一種非常好的資料，所以對基於商品的資料分析特別在乎的業務，上標籤系統應該是一種特別好的策略。
另外本書還討論了上下文資訊在推薦系統中的應用，缺乏上下文資訊會導致很多問題，比如在夏天推薦給用戶冬天的衣服，在中關村給用戶推薦望京的餐廳等等，為了解決這些問題，在推薦系統中需要引入上下文資訊，用來盡可能地提升推薦資訊的準確性。
最後，本書還講了關於社交網路的推薦，這裡列舉一個我覺得很有意思的社交網路分類：
可能是我缺乏社交產品的經驗，這個分類讓我覺得很巧妙，二者都有相互交織的地方，或許雙方也都想做對方核心結構內的事情，人與人之間的關係搬到網際空間後發生了多少變化，又有哪些永不改變，仔細想想真是十分有趣。
最後，這本書不僅適合程式師入門看，同時也適合產品經理、運營以及真正熱愛生活的人。學習推薦系統的思路，瞭解推薦系統的基本知識，也能提醒人們思考技術與人之間的關係，在數位世界與物理世界的混合體中，我們該如何相處。