文章目錄

• • 1. 算法解析
  • 2. 基于相似用戶做推薦
  • 3. 基于相似歌曲做推薦
  • 4. 總結

音樂App的功能越來越強大，不僅可以自己選歌聽，還可以根據你聽歌的口味偏好， 給你推薦可能會喜愛的音樂，有時候，推薦的還非常適合你的口味。

1. 算法解析

用兩句話總結：

• 找到跟你口味相似的用戶，把他們愛聽的歌曲推薦給你
• 找出跟你喜愛的歌曲特征相似的歌曲，把這些歌曲推薦給你

2. 基于相似用戶做推薦

把跟你聽類似歌曲的人，看做口味相似的用戶。用“1”表示“喜愛”，用“0”籠統地表示“不發表意見”。從圖中看出，你and小明共同喜愛的歌曲最多，有5首?？梢哉f，小明跟你的口味非常相似。

遍歷所有的用戶，對比每個用戶跟你共同喜愛的歌曲數，并且設置一個閾值，某用戶共同喜愛歌曲數超過這個值，把這個用戶看作跟你口味相似，把這個用戶喜愛但你還沒聽過的歌曲，推薦給你。

如何知道用戶喜愛哪首歌曲呢？可以通過用戶的行為，來定義這個喜愛程度。給每個行為定義一個得分，得分越高表示喜愛程度越高。

剛剛那個例子，把每個人對每首歌曲的喜愛程度表示出來。圖中，某個人對某首歌曲是否喜愛，我們不再用“1”或“0”表示，而是對應一個分值。

歐幾里得距離（Euclidean distance）是用來計算兩個向量之間的距離的。
K維空間中的某個位置，我們可以寫作（X₁，X₂，X₃，……X_k）。這種表示方法就是向量（vector）。

把每個用戶對所有歌曲的喜愛程度，都用一個向量表示。計算出兩個向量之間的歐幾里得距離，作為兩個用戶的口味相似程度的度量。

3. 基于相似歌曲做推薦

如果用戶是一個新用戶，還沒有收集到足夠多的行為數據，該如何推薦呢？

基于相似歌曲的推薦方法，就是說，如果某首歌曲跟你喜愛的歌曲相似，我們就把它推薦給你。

對歌曲定義一些特征項，比如傷感、愉快、搖滾、民謠，柔和、高亢等等。每個歌曲的每個特征打一個分數，這樣每個歌曲就對應一個特征向量。基于這個特征向量，計算歌曲之間的歐幾里得距離。歐幾里得距離越小，表示兩個歌曲的相似程度越大。

上面方案，需要一個前提，找到足夠多，并且能夠全面代表歌曲特點的特征項，除此之外，還要人工給每首歌標注每個特征項的得分。對于收錄了海量歌曲的音樂App來說，這是一個非常大的工程。此外，人工標注有很大的主觀性。

換一種思路。對于兩首歌，如果喜歡聽的人群都是差不多的，那側面就可以反映出，這兩首歌比較相似。如圖所示，每個用戶對歌曲有不同的喜愛程度，我們依舊通過上一個解決方案中定義得分的標準，來定義喜愛程度。

這個圖跟基于相似用戶推薦中的圖幾乎一樣。只不過這里把歌曲和用戶主次顛倒了一下。

• 基于相似用戶的推薦方法中，針對每個用戶，我們將對各個歌曲的喜愛程度作為向量。
• 基于相似歌曲的推薦思路中，針對每個歌曲，我們將每個用戶的打分作為向量。

有了每個歌曲的向量表示，通過計算向量之間的歐幾里得距離，來表示歌曲之間的相似度。歐幾里得距離越小，兩個歌曲越相似。

然后，在用戶已經聽過的歌曲中，找出他喜愛程度較高的歌曲。然后，找出跟這些歌曲相似度很高的其他歌曲，推薦給他。

4. 總結

上面問題是推薦系統（Recommendation System）里最典型的一類問題。這部分內容，可見算法的強大之處，利用簡單的向量空間的歐幾里得距離，就能解決如此復雜的問題。

上面只說了基本的理論，實踐中遇到的問題還有很多，比如冷啟動問題，產品初期積累的數據不多，不足以做推薦等等。這些更加深奧的，在實踐中慢慢探索吧。

總結

以上是生活随笔為你收集整理的向量空间 Vector Space -- 推荐系统的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。