[[402797]]

本文轉(zhuǎn)載自微信公眾號「大數(shù)據(jù)DT」，作者李智慧。轉(zhuǎn)載本文請聯(lián)系大數(shù)據(jù)DT公眾號。

大數(shù)據(jù)平臺只是提供了數(shù)據(jù)獲取、存儲、計算、應(yīng)用的技術(shù)方案，真正挖掘這些數(shù)據(jù)之間的關(guān)系讓數(shù)據(jù)發(fā)揮價值的是各種機器學習算法。在這些算法中，最常見的當屬智能推薦算法了。下面通過幾種簡單的推薦算法來了解一下推薦算法背后的原理。

我們在淘寶購物，在頭條閱讀新聞，在抖音刷短視頻，背后其實都有智能推薦算法。這些算法不斷分析、計算我們的購物偏好、瀏覽習慣，然后為我們推薦可能喜歡的商品、文章、視頻。這些產(chǎn)品的推薦算法如此智能、高效，以至于我們常常一打開淘寶就買個不停，一打開抖音就停不下來。

01 基于人口統(tǒng)計的推薦

基于人口統(tǒng)計的推薦是相對簡單的一種推薦算法，它會根據(jù)用戶的基本信息進行分類，然后將商品推薦給同類用戶，如圖1所示。

▲圖1 基于人口統(tǒng)計的推薦算法

用戶A和用戶C的年齡相近、性別相同，可以將他們劃分為同類。用戶A喜歡商品D，因此推測用戶C可能也喜歡這個商品，系統(tǒng)就可以將這個商品推薦給用戶C。

圖1中的示例比較簡單，在實踐中，還應(yīng)該根據(jù)用戶收入、居住地區(qū)、學歷、職業(yè)等各種因素對用戶進行分類，以使推薦的商品更加準確。

02 基于商品屬性的推薦

基于商品屬性的推薦和基于人口統(tǒng)計的推薦相似，只是它是根據(jù)商品的屬性進行分類，然后根據(jù)商品分類進行推薦的，如圖2所示。

▲圖2 基于商品屬性的推薦

電影A和電影D都是科幻、戰(zhàn)爭類型的電影，如果用戶A喜歡電影A，很有可能他也會喜歡電影D，因此就可以給用戶A推薦電影D。

這和我們的生活常識也是相符合的。如果一個人連續(xù)看了幾篇關(guān)于籃球的新聞，那么再給他推薦一篇籃球的新聞，他很大可能會有興趣看。

03 基于用戶的協(xié)同過濾推薦

基于用戶的協(xié)同過濾推薦是根據(jù)用戶的喜好進行用戶分類，然后根據(jù)用戶分類進行推薦，如圖3所示。

▲圖3 基于用戶的協(xié)同過濾推薦

這個示例中，用戶A和用戶C都喜歡商品A和商品B，根據(jù)他們的喜好可以分為同類。用戶A還喜歡商品D，那么將商品D推薦給用戶C，他可能也會喜歡。

現(xiàn)實中，跟我們有相似喜好、品味的人也常常被我們當作同類，我們也愿意去嘗試他們喜歡的其他東西。

04 基于商品的協(xié)同過濾推薦

基于商品的協(xié)同過濾推薦則是根據(jù)用戶的喜好對商品進行分類，然后根據(jù)商品分類進行推薦，如圖4所示。

▲圖4 基于商品的協(xié)同過濾推薦

這個示例中，喜歡商品B的用戶A和用戶B都喜歡商品D，那么商品B和商品D就可以分為同類。對于同樣喜歡商品B的用戶C，很有可能也喜歡商品D，就可以將商品D推薦給用戶C。

這里描述的推薦算法比較簡單。事實上，要想做好推薦其實是非常難的，用戶不要你覺得他喜歡，而要自己覺得喜歡?，F(xiàn)實中，有很多智能推薦的效果并不好，被用戶吐槽是“人工智障”。推薦算法的優(yōu)化需要不斷地收集用戶的反饋，不斷地迭代算法和升級數(shù)據(jù)。

關(guān)于作者：李智慧，資深架構(gòu)專家，同程旅行交通首席架構(gòu)師，曾在NEC、阿里巴巴、Intel等知名企業(yè)擔任架構(gòu)師，也曾在WiFi萬能鑰匙等企業(yè)擔任CTO。長期從事大數(shù)據(jù)、大型網(wǎng)站的架構(gòu)和研發(fā)工作，領(lǐng)導(dǎo)設(shè)計過多個日活用戶在千萬級以上的互聯(lián)網(wǎng)系統(tǒng)架構(gòu)，實戰(zhàn)經(jīng)驗豐富。曾設(shè)計、開發(fā)過 Web 服務(wù)器防火墻、分布式NoSQL 系統(tǒng)、大數(shù)據(jù)倉庫引擎、反應(yīng)式編程框架等各種類型的軟件系統(tǒng)。

本文摘編自《架構(gòu)師的自我修煉：技術(shù)、架構(gòu)和未來》，經(jīng)出版方授權(quán)發(fā)布。