推荐策略产品经理：剖析协同过滤（千人千面推荐的核心 ）
本文為PMCAFF專(zhuān)欄作者鳳城狂客出品
前文：剖析千人千面的大腦——推薦引擎部分，其中這篇是定位：對(duì)推薦引擎中的核心算法：協(xié)同過(guò)濾進(jìn)行深挖。
首先，千人千面融合各種場(chǎng)景，如搜索，如feed流，如廣告，如風(fēng)控，如策略增長(zhǎng)，如購(gòu)物全流程等等；其次千人千面的大腦肯定是內(nèi)部的推薦引擎，這里有諸多規(guī)則和算法在實(shí)現(xiàn)對(duì)上述各個(gè)場(chǎng)景進(jìn)行“細(xì)分推薦排序”；最后是推薦引擎的算法又以“協(xié)同過(guò)濾”為最核心、最主流熱門(mén)，也是當(dāng)下眾多內(nèi)容型、電商型、社交工具、分發(fā)型的基礎(chǔ)。
面試關(guān)鍵詞：覆蓋廣、適用性強(qiáng)、推薦引擎的算法核心，也是最有價(jià)值的算法之一。
所以，這篇是深挖：協(xié)同過(guò)濾的算法。
由于協(xié)同過(guò)濾的算法介紹，網(wǎng)上也蠻多但片段化。要么側(cè)重講“原理流程”，這個(gè)占了4成；要么講算法公式，這個(gè)占5成；還有1成是偏向業(yè)務(wù)的理解，但這個(gè)籠統(tǒng)很難參考。
因此，這篇是屬于推薦引擎-理論搭建體系-之二，PM可以側(cè)重關(guān)注：
（1）了解協(xié)同過(guò)濾之前，先知道什么是：集體智慧。（沒(méi)有對(duì)比就沒(méi)有“感知”，這個(gè)集體智慧是更好幫助了解、對(duì)比協(xié)同過(guò)濾。因?yàn)榫W(wǎng)上很多片段化的文章，沒(méi)有對(duì)比出來(lái)，不利于PM去聯(lián)想和學(xué)習(xí)的）
（2）了解什么是協(xié)同過(guò)濾（這點(diǎn)偏向理論，網(wǎng)上的很多也如此。但我挑選了精簡(jiǎn)部分，就只要2點(diǎn)關(guān)鍵：1知道它有什么作用，2為什么需要是它）
（3）學(xué)習(xí)協(xié)同過(guò)濾的核心。要實(shí)現(xiàn)包括三大重要部分：干貨，核心
收集用戶偏好（知道為什么要收、收哪些哪樣的、如何收集、收集過(guò)程有什么原則？）；
找到相似的用戶或者物品（這里的核心有2大方面：1是怎樣定義算“相似”，屬于相似度問(wèn)題，用什么公式去計(jì)算、有什么特點(diǎn)；2是相似鄰居問(wèn)題，可用什么公式計(jì)算兩個(gè)相似鄰居）；
計(jì)算推薦（這里核心是基于物品的方式是如何計(jì)算推薦、基于用戶又是如何、兩者PK又有什么差異點(diǎn)，如在場(chǎng)景，多樣性）每個(gè)部分再挖出各個(gè)關(guān)鍵點(diǎn)、（學(xué)習(xí)，不是了解，是學(xué)習(xí)）
（4）舉個(gè)推薦引擎中-應(yīng)用協(xié)同過(guò)濾的實(shí)踐案例。國(guó)外的產(chǎn)品案例。（包括如何使用，用什么公式，什么場(chǎng)景，有什么問(wèn)題，怎么解決，代碼層面附錄。PS：為什么選國(guó)外呢？ 是因?yàn)檫@個(gè)推薦最早是應(yīng)用于國(guó)外，不管是算法還是理論層面，確實(shí)要比國(guó)內(nèi)深究多一分，覺(jué)得比較客觀，可以參考和適用更強(qiáng)，這點(diǎn)可以跳著看。）
以上，個(gè)人認(rèn)為走推薦、畫(huà)像、搜索等PM核心要掌握第（1）~（3）部分。（公式可以除外。），其他策略PM們也可以關(guān)注各種的原理、特點(diǎn)、面試關(guān)鍵詞，以用來(lái)作為談資、需求籌碼、面試拔高、綜合素質(zhì)的層次跨越獲取高薪。
1. 集體智慧和協(xié)同過(guò)濾
什么是集體智慧
A. 原理和介紹
集體智慧 (Collective Intelligence) 并不是 移動(dòng)互聯(lián)網(wǎng)時(shí)代特有的，只是在 移動(dòng)互聯(lián)網(wǎng)時(shí)代，大家在 Web 應(yīng)用中利用集體智慧構(gòu)建更加有趣的應(yīng)用或者得到更好的用戶體驗(yàn)。
核心原理：
集體智慧是指在大量的人群的行為和數(shù)據(jù)中收集答案，幫助你對(duì)整個(gè)人群得到統(tǒng)計(jì)意義上的結(jié)論，這些結(jié)論是在單個(gè)個(gè)體上無(wú)法得到的，它往往是某種趨勢(shì)或者人群中共性的部分。
（PS：從上面可以知道，這里的“結(jié)論”是提取共性。這里的本質(zhì)應(yīng)用就可以是推薦系統(tǒng)的“人以群分，物以類(lèi)聚”思想。）
補(bǔ)充1：
集體智慧(Collective Intelligence，CI)，簡(jiǎn)稱(chēng)集智，它是一種共享的或群體的智能。在互聯(lián)網(wǎng)時(shí)代之前就存在，可以分為兩面去看：
在網(wǎng)絡(luò)時(shí)代來(lái)臨之前，集體智慧就一直活躍在生物學(xué)、社會(huì)學(xué)、計(jì)算機(jī)科學(xué)、大眾行為學(xué)等領(lǐng)域 [1]? [2]? 。
隨著Web 2.0的崛起和社會(huì)性軟件的普及，集體智慧這在社交網(wǎng)絡(luò)服務(wù)、眾包、分享、評(píng)論和推薦等領(lǐng)域也得到了廣泛應(yīng)用 [3]? （典型案例包括：維基百科、百度百科、百度知道、豬八戒網(wǎng)、任務(wù)中國(guó)、Threadless、InnoCentive、digg、iStockphoto、Mechanical Turk等。）
補(bǔ)充2：
為什么會(huì)補(bǔ)充說(shuō)明這個(gè)。有2個(gè)原因，一是有些飯友不太清楚；二是我覺(jué)得這個(gè)概念其實(shí)很多公司、業(yè)務(wù)、產(chǎn)品在設(shè)計(jì)、在做策略、在做發(fā)展都離不開(kāi)，多多少少會(huì)摻和到，所以拋出這個(gè)概念，可以讓大家注意到。
總之越來(lái)越多的傳統(tǒng)公司和組織也開(kāi)始使用各種集體智慧平臺(tái)或工具，借助外部智慧以解決復(fù)雜問(wèn)題。尤其現(xiàn)在主推的各種智能平臺(tái)，智能城市、策略。
B. 從案例去看
Wikipedia 和 Google 是兩個(gè)典型的利用集體智慧的移動(dòng)互聯(lián)網(wǎng)應(yīng)用：
【W(wǎng)ikipedia】（維基百科）
入口：https://www.wikipedia.org/
Wikipedia 是一個(gè)知識(shí)管理的百科全書(shū)。（相對(duì)于傳統(tǒng)的由領(lǐng)域?qū)＜揖庉嫷陌倏迫珪?shū)）
Wikipedia 允許最終用戶貢獻(xiàn)知識(shí)，隨著參與人數(shù)的增多，Wikipedia 變成了涵蓋各個(gè)領(lǐng)域的一本無(wú)比全面的知識(shí)庫(kù)。
在 Wikipedia 上，這種改版和修正被變?yōu)槊總€(gè)人都可以做的事情，任何人發(fā)現(xiàn)錯(cuò)誤或者不完善都可以貢獻(xiàn)他們的想法，即便某些信息是錯(cuò)誤的，但它一定也會(huì)盡快的被其他人糾正過(guò)來(lái)。從一個(gè)宏觀的角度看，整個(gè)系統(tǒng)在按照一個(gè)良性循環(huán)的軌跡不斷完善，這也正是集體智慧的魅力。
（補(bǔ)充：或許也許有人會(huì)質(zhì)疑它的權(quán)威性，但如果你從另一個(gè)側(cè)面想這個(gè)問(wèn)題，也許就可以迎刃而解。在發(fā)行一本書(shū)時(shí)，作者雖然是權(quán)威，但難免還有一些錯(cuò)誤，然后通過(guò)一版一版的改版，書(shū)的內(nèi)容越來(lái)越完善。（飯友們可以回憶思考下。常見(jiàn)的個(gè)性化推薦產(chǎn)品，如電商，如頭條，網(wǎng)易等等，不管是推薦系統(tǒng)也好，搜索也罷，各種策略產(chǎn)品，是不是都說(shuō)你越使用、越反饋，越懂你，越精準(zhǔn)，這里的本質(zhì)原理是“相通”的））
【Google】（姑姑，哈哈）
入口：https://www.google.com.hk/
Google：目前最流行的搜索引擎，與 Wikipedia 不同，它沒(méi)有要求用戶顯式的貢獻(xiàn)，但仔細(xì)想想 Google 最核心的 PageRank 的思想，它利用了 Web 頁(yè)面之間的關(guān)系，將多少其他頁(yè)面鏈接到當(dāng)前頁(yè)面的數(shù)目作為衡量當(dāng)前頁(yè)面重要與否的標(biāo)準(zhǔn)；
（補(bǔ)充：或許飯友們絕對(duì)這不好理解，那么你可以把它想象成一個(gè)選舉的過(guò)程，每個(gè) Web 頁(yè)面都是一個(gè)投票者同時(shí)也是一個(gè)被投票者，PageRank 通過(guò)一定數(shù)目的迭代得到一個(gè)相對(duì)穩(wěn)定的評(píng)分。Google 其實(shí)利用了現(xiàn)在 Internet 上所有 Web 頁(yè)面上鏈接的集體智慧，找到哪些頁(yè)面是重要的。 （飯友們同樣可思考下：這里的頁(yè)面上各種的鏈接，找到哪些頁(yè)面，是不是和我們很多內(nèi)容型產(chǎn)品，找到相似的內(nèi)容資料，如文章，如視頻等相似呢？ 這里“投票者”其實(shí)可以理解是用戶對(duì)內(nèi)容的行為反饋））
（再補(bǔ)充：這里的web頁(yè)面不算僅指PC端，也是包含移動(dòng)端。更多是泛指產(chǎn)品中的每個(gè)”網(wǎng)絡(luò)頁(yè)面”。）
什么是協(xié)同過(guò)濾
怎么去理解呢？
協(xié)同過(guò)濾是利用集體智慧的一個(gè)典型方法。
（PS，協(xié)同過(guò)濾是推薦的核心算法，即集體智慧和推薦是關(guān)系的，個(gè)中原理參見(jiàn)上面所說(shuō)的）
要理解什么是協(xié)同過(guò)濾 (Collaborative Filtering, 簡(jiǎn)稱(chēng) CF)，首先想一個(gè)簡(jiǎn)單的問(wèn)題：
如果你現(xiàn)在想看個(gè)電影，但你不知道具體看哪部，你會(huì)怎么做？
大部分的人會(huì)問(wèn)問(wèn)周?chē)呐笥?#xff0c;看看最近有什么好看的電影推薦，而一般更傾向于從口味比較類(lèi)似的朋友那里得到推薦。這就是協(xié)同過(guò)濾的核心思想。
核心原理：協(xié)同過(guò)濾一般是在海量的用戶中發(fā)掘出一小部分和你品位比較類(lèi)似的，在協(xié)同過(guò)濾中，這些用戶成為鄰居，然后根據(jù)他們喜歡的其他東西組織成一個(gè)排序的目錄作為推薦給你。
會(huì)遇到什么問(wèn)題？
當(dāng)然其中有一些核心的問(wèn)題：
如何確定一個(gè)用戶是不是和你有相似的品位？（數(shù)據(jù)，動(dòng)作，用戶/內(nèi)容畫(huà)像）
如何將鄰居們的喜好組織成一個(gè)排序的目錄？（召回，排序，推薦）
如同第一章所說(shuō)，同樣與集體智慧PK。可以發(fā)現(xiàn)：
協(xié)同過(guò)濾相對(duì)于集體智慧而言，它從一定程度上保留了個(gè)體的特征，就是你的品位偏好，所以它更多可以作為個(gè)性化推薦的算法思想。
補(bǔ)充：所以可以想象，這種推薦策略在 移動(dòng)互聯(lián)網(wǎng) 的長(zhǎng)尾中是很重要的，將大眾流行的東西推薦給長(zhǎng)尾中的人怎么可能得到好的效果，
補(bǔ)充：所以回到推薦系統(tǒng)的一個(gè)核心問(wèn)題：了解你的用戶，然后才能給出更好的推薦。
2. 深入?yún)f(xié)同過(guò)濾的核心
前面作為背景知識(shí)，介紹了集體智慧和協(xié)同過(guò)濾的基本思想，主要是為飯友們對(duì)推薦相關(guān)的打一些基礎(chǔ)和鋪墊。
接下來(lái)，下面這一節(jié)將深入分析協(xié)同過(guò)濾的原理，介紹基于協(xié)同過(guò)濾思想的多種推薦機(jī)制，優(yōu)缺點(diǎn)和實(shí)用場(chǎng)景。
（核心1、面試問(wèn)題坑、需求反推工作量思考：協(xié)同過(guò)濾的基本核心有3個(gè)要素。）
首先，要實(shí)現(xiàn)協(xié)同過(guò)濾，需要一下幾個(gè)步驟：
收集用戶偏好
找到相似的用戶或物品
計(jì)算推薦
收集用戶偏好
A. 原理作用：
（口水話，面試、需求觀點(diǎn)）
一句話：要從用戶的行為和偏好中發(fā)現(xiàn)規(guī)律，并基于此給予推薦。所以，如何收集用戶的偏好信息成為系統(tǒng)推薦效果最基礎(chǔ)的決定因素。（前者飯友PM都知道，后者是面試或需求中常會(huì)問(wèn)）
B. 核心策略：如何收集呢？
（即用戶有很多方式向系統(tǒng)提供自己的偏好信息，而且不同的應(yīng)用也可能大不相同，下面舉例進(jìn)行介紹。以下可以作為需求分析、口徑定義使用。）
補(bǔ)充1：【面試坑：當(dāng)問(wèn)到具體的用戶偏好收集、如何定義行為、權(quán)重、正負(fù)反饋等相關(guān)問(wèn)題，實(shí)際就是這節(jié)相關(guān)內(nèi)容，所以下面的案例都可以參考回答，基本對(duì)全產(chǎn)品都通用，具有很強(qiáng)的適用性，】
補(bǔ)充2：有很多辦法和操作，具體業(yè)務(wù)，具體產(chǎn)品都可能不太同。我也無(wú)法羅列完全，但挑選了業(yè)內(nèi)常用，實(shí)用性和發(fā)散性好的。
布爾值是“真” True 或“假” False 中的一個(gè)。代碼層有時(shí)也會(huì)在適當(dāng)時(shí)將值 True 和 False 轉(zhuǎn)換為 1 ...
a.?通用、標(biāo)準(zhǔn)的
用戶行為 | 類(lèi)型 | 特征 | 作用 |
評(píng)分 | 顯式 | 整數(shù)量化的偏好，可能的取值是 [0, n]；n 一般取值為 5 或者是 10 | 通過(guò)用戶對(duì)物品的評(píng)分，可以精確的得到用戶的偏好 |
投票 | 顯式 | 布爾量化的偏好，取值是 0 或 1 | 通過(guò)用戶對(duì)物品的投票，可以較精確的得到用戶的偏好 |
轉(zhuǎn)發(fā) | 顯式 | 布爾量化的偏好，取值是 0 或 1 | 通過(guò)用戶對(duì)物品的投票，可以精確的得到用戶的偏好。 如果是站內(nèi)，同時(shí)可以推理得到被轉(zhuǎn)發(fā)人的偏好（不精確） |
保存書(shū)簽 | 顯式 | 布爾量化的偏好，取值是 0 或 1 | 通過(guò)用戶對(duì)物品的投票，可以精確的得到用戶的偏好。 |
標(biāo)記標(biāo)簽（Tag） | 顯式 | 一些單詞，需要對(duì)單詞進(jìn)行分析，得到偏好 | 通過(guò)分析用戶的標(biāo)簽，可以得到用戶對(duì)項(xiàng)目的理解，同時(shí)可以分析出用戶的情感：喜歡還是討厭 |
評(píng)論 | 顯式 | 一段文字，需要進(jìn)行文本分析，得到偏好 | 通過(guò)分析用戶的評(píng)論，可以得到用戶的情感：喜歡還是討厭 |
點(diǎn)擊流? ( 查看 ) | 隱式 | 一組用戶的點(diǎn)擊，用戶對(duì)物品感興趣，需要進(jìn)行分析，得到偏好 | 用戶的點(diǎn)擊一定程度上反映了用戶的注意力，所以它也可以從一定程度上反映用戶的喜好。 |
頁(yè)面停留時(shí)間 | 隱式 | 一組時(shí)間信息，噪音大，需要進(jìn)行去噪，分析，得到偏好 | 用戶的頁(yè)面停留時(shí)間一定程度上反映了用戶的注意力和喜好，但噪音偏大，不好利用。 |
購(gòu)買(mǎi) | 隱式 | 布爾量化的偏好，取值是 0 或 1 | 用戶的購(gòu)買(mǎi)是很明確的說(shuō)明這個(gè)項(xiàng)目它感興趣。 |
b. 偏業(yè)務(wù)：如內(nèi)容型（以騰訊視頻為例）
（上面已經(jīng)提過(guò)了。再舉個(gè)形象例子：你說(shuō)你很愛(ài)你女友；女友反問(wèn)：你有多愛(ài)？如果女友是講情義的，那么你就給以前為她做過(guò)的DIY禮物打上最高權(quán)重，優(yōu)先展示說(shuō)出這些內(nèi)容；如果女友是講金錢(qián)的，那么你就準(zhǔn)備為她買(mǎi)過(guò)的、即將買(mǎi)的iPhoneXS送她，優(yōu)先物質(zhì)。權(quán)重，就是優(yōu)先級(jí)，重要性。）
下面的，可以直接應(yīng)用到視頻平臺(tái)的推薦賦值，還是比較全面的。但是，我建議還是要思考到業(yè)務(wù)情況，賦值和權(quán)項(xiàng)范圍是要視情況調(diào)整。
? ? ? ?
c. 偏業(yè)務(wù)：如服務(wù)型（以美團(tuán)為例）
用戶特征
人口屬性：用戶年齡，性別，職業(yè)等。
行為特征：對(duì)商戶/商圈/品類(lèi)的偏好（實(shí)時(shí)、歷史），外賣(mài)偏好，活躍度等。
建模特征：基于用戶的行為序列建模產(chǎn)生的特征等。
商戶特征
屬性特征：品類(lèi)，城市，商圈，品牌，價(jià)格，促銷(xiāo)，星級(jí)，評(píng)論等。
統(tǒng)計(jì)特征：不同維度/時(shí)間粒度的統(tǒng)計(jì)特征等。
圖像特征：類(lèi)別，建模特征等。
業(yè)務(wù)特征：酒店房型等。
Query特征
分詞，意圖，與商戶相似度，業(yè)務(wù)特征等。
上下文特征
時(shí)間，距離，地理位置，請(qǐng)求品類(lèi)，競(jìng)爭(zhēng)情況等。
廣告曝光位次。
（其他如電商也是同理，在這里就不一一梳理。有興趣可以看社區(qū)的用戶畫(huà)像、推薦等專(zhuān)輯內(nèi)容，里面有不同細(xì)分類(lèi)的梳理，由于這些是要結(jié)合，所以會(huì)相對(duì)分散到某個(gè)不同細(xì)分領(lǐng)域的產(chǎn)品或業(yè)務(wù)上。）
d. 總結(jié)-提取策略、方法論
（補(bǔ)充1：下面是對(duì)提上述的一些“收集特征、權(quán)重賦值”等抽象出“可復(fù)用”的思想。）
（補(bǔ)充2：）【面試坑、問(wèn)題點(diǎn)】
（關(guān)于策略類(lèi)PM都離不開(kāi)大數(shù)據(jù)的行為收集，特征定義。下面是對(duì)這些細(xì)分的總結(jié)。我梳理每個(gè)獨(dú)立的點(diǎn)，都可以回答。回答的問(wèn)題范圍是“上述案例的一些“關(guān)鍵詞””，所以建議先回答下面的一些要點(diǎn)，若面試官深挖再回答上面的細(xì)分案例。
（補(bǔ)充3：上述回答邏輯，即總-分-分原理，這樣有助于邏輯回答，也有助于符合面試的不斷深挖過(guò)程。盡量避免一開(kāi)始就回答具體，這樣會(huì)讓面試官一來(lái)問(wèn)的更細(xì)，反而出現(xiàn)沒(méi)有學(xué)習(xí)和復(fù)盤(pán)到而出現(xiàn)更多意外，二來(lái)也是給各自心理門(mén)檻，即過(guò)三關(guān)心理，面試官深入問(wèn)的，你基本都能回答出。）
（下面不用產(chǎn)品這個(gè)詞，而是用“應(yīng)用”，泛指更多端的產(chǎn)品）
策略1：
以上列舉的用戶行為都是比較通用的、經(jīng)典業(yè)務(wù)的。但是如果是推薦、搜索等PM，是可以根據(jù)自己應(yīng)用（業(yè)務(wù)、產(chǎn)品）的特點(diǎn)添加特殊的用戶行為，并用他們表示用戶對(duì)物品的喜好。
策略2：
【方法論，面試可以分享，大大加分！】
在一般應(yīng)用中，提取的用戶行為一般都多于一種，關(guān)于如何組合這些不同的用戶行為，基本上有以下兩種方式：（策略、方法論）
【將不同的行為分組】：（假設(shè)以第一個(gè)案例為例），一般可以分為“查看”和“購(gòu)買(mǎi)”等等，然后基于不同的行為，計(jì)算不同的用戶 / 物品相似度。類(lèi)似于當(dāng)當(dāng)網(wǎng)或者 Amazon 給出的“購(gòu)買(mǎi)了該圖書(shū)的人還購(gòu)買(mǎi)了 ...”，“查看了圖書(shū)的人還查看了 ...”
【用戶、行為加權(quán)】：（假設(shè)以第二個(gè)案例為例），根據(jù)不同行為反映用戶喜好的程度將它們進(jìn)行加權(quán)，得到用戶對(duì)于物品的總體喜好。（有些飯友聯(lián)系到畫(huà)像內(nèi)容，這里我要補(bǔ)充下：一般來(lái)說(shuō)，顯式的用戶反饋比隱式的權(quán)值大，但比較稀疏，畢竟進(jìn)行顯示反饋的用戶是少數(shù)；同時(shí)相對(duì)于“查看”，“購(gòu)買(mǎi)”行為反映用戶喜好的程度更大，但這也因應(yīng)用而異。）
【補(bǔ)充】：上面的全部，都可以作為針對(duì)“如何組合、提取用戶行為”的面試問(wèn)題，所表達(dá)的觀點(diǎn)，這肯定會(huì)加分，并且這些都是關(guān)鍵知道思想。就如同可以理解成：共產(chǎn)黨以前走農(nóng)村包圍城市的戰(zhàn)略，其根本指導(dǎo)思想是：如論持久戰(zhàn)。? 所以上面1-3的例子是做法，那么作為策略PM一個(gè)核心的點(diǎn)是，你要學(xué)會(huì)有方法策略，怎么能遷移復(fù)用。這里的指導(dǎo)思想就如上面所說(shuō)的，雖然不一定說(shuō)完整全面，但對(duì)于大部分互聯(lián)網(wǎng)產(chǎn)品，都是這個(gè)原理】
策略3：
當(dāng)策略PM做到上面之后，也就是收集了用戶行為數(shù)據(jù)之后，接下來(lái)還需要對(duì)數(shù)據(jù)進(jìn)行一定的預(yù)處理。
【補(bǔ)充、面試問(wèn)題坑】
（常問(wèn)的問(wèn)題類(lèi)似：你覺(jué)得在收集數(shù)據(jù)（用戶數(shù)據(jù)）、數(shù)據(jù)源等處理等等，要注意什么。或者遇到什么的坑，或者說(shuō)你是怎么想的，總之核心是“數(shù)據(jù)處理”。這個(gè)對(duì)于畫(huà)像PM等底層數(shù)據(jù)PM，一定會(huì)問(wèn)！）
【面試觀點(diǎn)、面試坑】其中最核心的工作就是：減噪和歸一化。
減噪：用戶行為數(shù)據(jù)是用戶在使用應(yīng)用過(guò)程中產(chǎn)生的，它可能存在大量的噪音和用戶的誤操作，可以通過(guò)經(jīng)典的數(shù)據(jù)挖掘算法過(guò)濾掉行為數(shù)據(jù)中的噪音，這樣可以是的分析更加精確。
（補(bǔ)充1：這里具體的方法，算法等細(xì)節(jié)，可以參考用戶畫(huà)像等相關(guān)內(nèi)容，這話題又比較大，此處不展開(kāi)了。只要知道什么回事即可。）
歸一化：如前面講到的，在計(jì)算用戶對(duì)物品的喜好程度時(shí)，可能需要對(duì)不同的行為數(shù)據(jù)進(jìn)行加權(quán)。但可以想象，不同行為的數(shù)據(jù)取值可能相差很大。
（例子1：比如，用戶的查看數(shù)據(jù)必然比購(gòu)買(mǎi)數(shù)據(jù)大的多，如何將各個(gè)行為的數(shù)據(jù)統(tǒng)一在一個(gè)相同的取值范圍中，從而使得加權(quán)求和得到的總體喜好更加精確，就需要進(jìn)行歸一化處理。）
（例子2：從以往實(shí)戰(zhàn)來(lái)看，最簡(jiǎn)單的歸一化處理:就是將各類(lèi)數(shù)據(jù)除以此類(lèi)中的最大值，以保證歸一化后的數(shù)據(jù)取值在 [0,1] 范圍中）。
（n同上補(bǔ)充的點(diǎn)，這個(gè)相對(duì)抽象，飯友們可以結(jié)合我舉得例子去理解~）
（補(bǔ)充2：即上面所做，當(dāng)進(jìn)行的預(yù)處理后（這個(gè)一般可以和數(shù)據(jù)和開(kāi)發(fā)一起搞），根據(jù)不同應(yīng)用的行為分析方法，可以選擇分組或者加權(quán)處理，之后可以得到一個(gè)用戶偏好的二維矩陣，一維是用戶列表，另一維是物品列表，值是用戶對(duì)物品的偏好，一般是 [0,1] 或者 [-1, 1] 的浮點(diǎn)數(shù)值。）
（圖另外后面再配。就是數(shù)組矩陣的樣式，如果很抽象就簡(jiǎn)單理解成excel表左列右行的樣式。）
找到相似的用戶或物品
原理：當(dāng)已經(jīng)對(duì)用戶行為進(jìn)行分析得到用戶喜好后，可以根據(jù)用戶喜好計(jì)算相似用戶和物品，然后基于相似用戶或者物品進(jìn)行推薦。
目前主流的，都是圍繞最典型的 CF 的兩個(gè)分支：
基于用戶的 CF
基于物品的 CF
【策略1、面試問(wèn)題：】
這兩種方法都有個(gè)共同核心：就是都需要計(jì)算相似度。
所以，下面先看看最基本的幾種計(jì)算相似度的方法。
（由于涉及到計(jì)算，那就肯定會(huì)有各種公式。否則根本不能說(shuō)算法。所以下面有相關(guān)的技術(shù)細(xì)節(jié)，可能有技術(shù)和算法邏輯強(qiáng)的PM能看得很明白。但沒(méi)有這方面基礎(chǔ)的，也沒(méi)關(guān)系，下面我梳理都會(huì)按大白話和盡可能了解的語(yǔ)言去講述原理）
（補(bǔ)充：還是要說(shuō)個(gè)很現(xiàn)實(shí)的事情。這篇依然有一丟的技術(shù)術(shù)語(yǔ)，PM不理解或者不明白是很正常的，但如果連百度、連問(wèn)查找都不愿意，那談何學(xué)習(xí)和成長(zhǎng)呢？要知道，你薪資漲幅高低、大廠公司offer等依然有一堆PM在與你競(jìng)爭(zhēng)。）
A. 相似度的計(jì)算
策略1：
【面試細(xì)節(jié)】關(guān)于相似度的計(jì)算，現(xiàn)有的幾種基本方法都是基于向量（Vector）的。（飯友其實(shí)簡(jiǎn)單理解，也就是計(jì)算兩個(gè)向量的距離，距離越近相似度越大。）
計(jì)算相似度 邏輯1：（面試細(xì)節(jié)）
在推薦的場(chǎng)景中，在用戶 - 物品偏好的二維矩陣中：
可以將一個(gè)用戶對(duì)所有物品的偏好作為一個(gè)向量來(lái)計(jì)算用戶之間的相似度
或者將所有用戶對(duì)某個(gè)物品的偏好作為一個(gè)向量來(lái)計(jì)算物品之間的相似度
B. 相似鄰居的計(jì)算
上面介紹完相似度的計(jì)算公式，
【邏輯、面試坑、@開(kāi)發(fā)RD交流細(xì)節(jié)：】
下面看看如何根據(jù)相似度找到用戶 - 物品的鄰居：常用的挑選鄰居的原則可以分為兩類(lèi)：
固定數(shù)量的鄰居：K-neighborhoods 或者 Fix-size neighborhoods
【原理】：不論鄰居的“遠(yuǎn)近”，只取最近的 K 個(gè)，作為其鄰居。（下面是流程、邏輯想法）
如圖 1 中的 A，假設(shè)要計(jì)算點(diǎn) 1 的 5- 鄰居，那么根據(jù)點(diǎn)之間的距離，取最近的 5 個(gè)點(diǎn)，分別是點(diǎn) 2，點(diǎn) 3，點(diǎn) 4，點(diǎn) 7 和點(diǎn) 5。
但很明顯可以看出，這種方法對(duì)于孤立點(diǎn)的計(jì)算效果不好。
【核心問(wèn)題，如果細(xì)節(jié)會(huì)問(wèn)到-即為什么的解答】因?yàn)橐」潭▊€(gè)數(shù)的鄰居，當(dāng)它附近沒(méi)有足夠多比較相似的點(diǎn)，就被迫取一些不太相似的點(diǎn)作為鄰居，這樣就影響了鄰居相似的程度。（比如圖 1 中，點(diǎn) 1 和點(diǎn) 5 其實(shí)并不是很相似。）
基于相似度門(mén)檻的鄰居：Threshold-based neighborhoods
【原理】：與計(jì)算固定數(shù)量的鄰居的原則不同，基于相似度門(mén)檻的鄰居計(jì)算是對(duì)鄰居的遠(yuǎn)近進(jìn)行最大值的限制，落在以當(dāng)前點(diǎn)為中心，距離為 K 的區(qū)域中的所有點(diǎn)都作為當(dāng)前點(diǎn)的鄰居。
這種方法計(jì)算得到的鄰居個(gè)數(shù)不確定，但相似度不會(huì)出現(xiàn)較大的誤差。
如圖 1 中的 B，從點(diǎn) 1 出發(fā)，計(jì)算相似度在 K 內(nèi)的鄰居，得到點(diǎn) 2，點(diǎn) 3，點(diǎn) 4 和點(diǎn) 7。
【核心觀點(diǎn)，問(wèn)為什么認(rèn)為好】這種方法計(jì)算出的鄰居的相似度程度比前一種優(yōu)，尤其是對(duì)孤立點(diǎn)的處理。? ? ?
計(jì)算推薦
經(jīng)過(guò)前期的計(jì)算已經(jīng)得到了相鄰用戶和相鄰物品。
下面介紹如何基于這些信息為用戶進(jìn)行推薦。
本系列的上半場(chǎng)，已經(jīng)簡(jiǎn)要介紹過(guò)基于協(xié)同過(guò)濾的推薦算法可以分為基于用戶的 CF 和基于物品的 CF，所以按邏輯去看，下面深入這兩種方法的計(jì)算方法。
PM主要關(guān)注是：計(jì)算的基本原理、使用場(chǎng)景和優(yōu)缺點(diǎn)。（這個(gè)是高頻面試問(wèn)法、考點(diǎn)，讓你介紹下原理思想。）
A. 基于用戶的 CF（User CF）
基于用戶的 CF 的基本思想相當(dāng)簡(jiǎn)單！
【原理】：基于用戶對(duì)物品的偏好找到相鄰鄰居用戶，然后將鄰居用戶喜歡的推薦給當(dāng)前用戶。
計(jì)算就是將一個(gè)用戶對(duì)所有物品的偏好作為一個(gè)向量來(lái)計(jì)算用戶之間的相似度（找領(lǐng)居）
找到 K 鄰居后，根據(jù)鄰居的相似度權(quán)重以及他們對(duì)物品的偏好，（看鄰居偏好）
預(yù)測(cè)當(dāng)前用戶沒(méi)有偏好的未涉及物品，計(jì)算得到一個(gè)排序的物品列表作為推薦。（召回排序）
以上，作為面試或者分享你對(duì)這個(gè)原理的看法，絕對(duì)是可以用。
（下圖就是一個(gè)例子，對(duì)于用戶 A，根據(jù)用戶的歷史偏好，這里只計(jì)算得到一個(gè)鄰居 - 用戶 C，然后將用戶 C 喜歡的物品 D 推薦給用戶 A。）
B. 基于物品的 CF（Item CF）
基于物品的 CF 的原理和基于用戶的 CF 類(lèi)似！！！
【原理】：只是在計(jì)算鄰居時(shí)采用物品本身，而不是從用戶的角度，即基于用戶對(duì)物品的偏好找到相似的物品，然后根據(jù)用戶的歷史偏好，推薦相似的物品給他。
從計(jì)算的角度看，就是將所有用戶對(duì)某個(gè)物品的偏好作為一個(gè)向量來(lái)計(jì)算物品之間的相似度，（找用戶偏好的“共性”物品）
得到物品的相似物品后，根據(jù)用戶歷史的偏好預(yù)測(cè)當(dāng)前用戶還沒(méi)有表示偏好的物品，計(jì)算得到一個(gè)排序的物品列表作為推薦。（預(yù)測(cè)召回，排序）
（舉個(gè)例子，如圖 3 ，對(duì)于物品 A，根據(jù)所有用戶的歷史偏好，喜歡物品 A 的用戶都喜歡物品 C，得出物品 A 和物品 C 比較相似，而用戶 C 喜歡物品 A，那么可以推斷出用戶 C 可能也喜歡物品 C。）
C. User CF vs. Item CF
前面介紹了 User CF 和 Item CF 的基本原理，下面分幾個(gè)不同的角度深入看看它們各自的優(yōu)缺點(diǎn)和適用場(chǎng)景：
【計(jì)算復(fù)雜度】（Item CF 和 User CF 是基于協(xié)同過(guò)濾推薦的兩個(gè)最基本的算法）
User CF 是很早以前就提出來(lái)了，Item CF 是從 Amazon（亞馬遜，成為市值第一的公司，不是沒(méi)有道理的...） 的論文和專(zhuān)利發(fā)表之后（2001 年左右）開(kāi)始流行。
大家都覺(jué)得 Item CF 從性能和復(fù)雜度上比 User CF 更優(yōu)，其中的一個(gè)主要原因就是：
對(duì)于一個(gè)在線網(wǎng)站，用戶的數(shù)量往往大大超過(guò)物品的數(shù)量，同時(shí)物品的數(shù)據(jù)相對(duì)穩(wěn)定，因此計(jì)算物品的相似度不但計(jì)算量較小，同時(shí)也不必頻繁更新。（但只是適用一些電商）
但往往忽略了這種情況只適應(yīng)于提供商品的電子商務(wù)網(wǎng)站，對(duì)于新聞，博客或者微內(nèi)容的推薦系統(tǒng)，情況往往是相反的，物品的數(shù)量是海量的，同時(shí)也是更新頻繁的。
【面試挖坑】：用戶海量、內(nèi)容物品海量，因此要看產(chǎn)品實(shí)際情況而去使用相應(yīng)的協(xié)同過(guò)濾算法，不能一概而論。所以單從復(fù)雜度的角度，這兩個(gè)算法在不同的系統(tǒng)中各有優(yōu)勢(shì)，推薦引擎的設(shè)計(jì)者需要根據(jù)自己應(yīng)用的特點(diǎn)選擇更加合適的算法。
【適用的場(chǎng)景】場(chǎng)景策略：在非社交網(wǎng)絡(luò)的網(wǎng)站中：內(nèi)容內(nèi)在的聯(lián)系是很重要的推薦原則，它比基于相似用戶的推薦原則更加有效。
可以看到，在這種情況下我認(rèn)為有幾個(gè)很重要的點(diǎn)：（場(chǎng)景策略）
Item CF 的推薦成為了引導(dǎo)用戶瀏覽的重要手段 。（比如在當(dāng)當(dāng)網(wǎng)（購(gòu)書(shū)網(wǎng)站）上，當(dāng)你看一本書(shū)的時(shí)候，推薦引擎會(huì)給你推薦相關(guān)的書(shū)籍，這個(gè)推薦的重要性遠(yuǎn)遠(yuǎn)超過(guò)了網(wǎng)站首頁(yè)對(duì)該用戶的綜合推薦。)
同時(shí) Item CF 便于為推薦做出解釋。（在一個(gè)非社交網(wǎng)絡(luò)的網(wǎng)站中，給某個(gè)用戶推薦一本書(shū)，同時(shí)給出的解釋是某某和你有相似興趣的人也看了這本書(shū)，這很難讓用戶信服，因?yàn)橛脩艨赡芨静徽J(rèn)識(shí)那個(gè)人；但如果解釋說(shuō)是因?yàn)檫@本書(shū)和你以前看的某本書(shū)相似，用戶可能就覺(jué)得合理而采納了此推薦。）
相反的，在現(xiàn)今很流行的社交網(wǎng)絡(luò)站點(diǎn)中，User CF 是一個(gè)更不錯(cuò)的選擇，User CF 加上社會(huì)網(wǎng)絡(luò)信息，可以增加用戶對(duì)推薦解釋的信服程度。
推薦多樣性和精度
一般來(lái)說(shuō)，剛開(kāi)始研究推薦引擎的學(xué)者們?cè)谙嗤臄?shù)據(jù)集合上分別用 User CF 和 Item CF 計(jì)算推薦結(jié)果，發(fā)現(xiàn)推薦列表中，只有 50% 是一樣的，還有 50% 完全不同。
（但是這兩個(gè)算法確有相似的精度，所以可以說(shuō)，這兩個(gè)算法是很互補(bǔ)的。具體怎么度量，可以參考下面梳理的幾個(gè)方面。一是整體的度量方法，而是不同的業(yè)務(wù)指標(biāo)）
【度量策略-兩種經(jīng)典方法】
（PS無(wú)涉及具體業(yè)務(wù)，可通用）
【補(bǔ)充1：面試坑】：常問(wèn)到的：如你如何衡量推薦效果好不好？ 從技術(shù)指標(biāo)？業(yè)務(wù)指標(biāo)如何看？ 不同業(yè)務(wù)下又如何觀察，驗(yàn)證？ 改善？。
補(bǔ)充：2類(lèi)似的可以以前飯團(tuán)的內(nèi)容，如：
【重要】衡量個(gè)性化推薦產(chǎn)品效果的核心指標(biāo)有哪些？
【實(shí)踐】淺析建立個(gè)性化推薦數(shù)據(jù)指標(biāo)體系&實(shí)踐（以電商為例）
關(guān)于推薦的多樣性，有兩種度量方法：
第一種度量方法：是從單個(gè)用戶的角度度量。
就是說(shuō)給定一個(gè)用戶（見(jiàn)下補(bǔ)充），查看系統(tǒng)給出的推薦列表是否多樣。（直觀）
也就是要比較推薦列表中的物品之間兩兩的相似度，不難想到，對(duì)這種度量方法，Item CF 的多樣性顯然不如 User CF 的好，因?yàn)?Item CF 的推薦就是和以前看的東西最相似的。
（補(bǔ)充1 ，可作為面試細(xì)節(jié)：這里的用戶，一般在我們PM可以叫白名單用戶、隨機(jī)用戶、抽樣用戶、分組測(cè)試用戶、體驗(yàn)用戶都可以~? 具體看業(yè)務(wù)規(guī)則策略。如我以前做這方面驗(yàn)證會(huì)分兩種情況：如特定場(chǎng)景會(huì)分組用戶測(cè)試（側(cè)重是對(duì)場(chǎng)景的驗(yàn)證，白名單）、如果是走量測(cè)試機(jī)率、抗壓等等，就導(dǎo)出隨機(jī)大量。后者一般有條件都可以聯(lián)合用戶畫(huà)像去勾選某些條件的用戶群））
第二種度量方法是考慮系統(tǒng)的多樣性，也被稱(chēng)為覆蓋率 (Coverage)，它是指一個(gè)推薦系統(tǒng)是否能夠提供給所有用戶豐富的選擇。
在這種指標(biāo)下，Item CF 的多樣性要遠(yuǎn)遠(yuǎn)好于 User CF（因?yàn)?User CF 總是傾向于推薦熱門(mén)的），從另一個(gè)側(cè)面看，也就是說(shuō)，Item CF 的推薦有很好的新穎性，很擅長(zhǎng)推薦長(zhǎng)尾里的物品。
所以，盡管大多數(shù)情況，Item CF 的精度略小于 User CF， 但如果考慮多樣性，Item CF 卻比 User CF 好很多。
【PK的實(shí)踐分析】
【面試策略：在面試的時(shí)候，尤其剛?cè)腴T(mén)推薦的PM可能會(huì)問(wèn)到深入：你為什么說(shuō)UCF和ICF是這樣，為什么就說(shuō)它的多樣性會(huì)更好... 這時(shí)候，你需要有一些的原理、實(shí)踐策略反推出支撐】
所以，存在上面的情況，或者是如果對(duì)推薦的多樣性還心存疑惑，
那么下面再舉個(gè)實(shí)例看看 User CF 和 Item CF 的多樣性到底有什么差別。
（補(bǔ)充：我按思考的金字塔原理梳理以下幾點(diǎn)。每一點(diǎn)都可以作為單獨(dú)“結(jié)論”。即假設(shè)談需求、面試的時(shí)候：你針對(duì)這個(gè)類(lèi)似問(wèn)題可以回答以下的任一點(diǎn)。如果他細(xì)問(wèn)再聯(lián)系上下幾點(diǎn)。當(dāng)然，你熟悉之外就請(qǐng)隨便搭，這樣的方法只是方便對(duì)這方面基礎(chǔ)不太扎實(shí)的PM）
【個(gè)人推薦的順序是： 1-2、 2、1-3，都可以用于作答】
首先，假設(shè)每個(gè)用戶興趣愛(ài)好都是廣泛的，喜歡好幾個(gè)領(lǐng)域的東西，不過(guò)每個(gè)用戶肯定也有一個(gè)主要的領(lǐng)域，對(duì)這個(gè)領(lǐng)域會(huì)比其他領(lǐng)域更加關(guān)心。
給定一個(gè)用戶，假設(shè)他喜歡 3 個(gè)領(lǐng)域 A,B,C，A 是他喜歡的主要領(lǐng)域，這個(gè)時(shí)候來(lái)看 User CF 和 Item CF 傾向于做出什么推薦。
如果用 User CF, 它會(huì)將 A,B,C 三個(gè)領(lǐng)域中比較熱門(mén)的東西推薦給用戶，而如果用 ItemCF，它會(huì)基本上只推薦 A 領(lǐng)域的東西給用戶。
那么看到因?yàn)?User CF 只推薦熱門(mén)的，所以它在推薦長(zhǎng)尾里項(xiàng)目方面的能力不足，而 Item CF 只推薦 A 領(lǐng)域給用戶，這樣他有限的推薦列表中就可能包含了一定數(shù)量的不熱門(mén)的長(zhǎng)尾物品，同時(shí) Item CF 的推薦對(duì)這個(gè)用戶而言，顯然多樣性不足。
但是對(duì)整個(gè)系統(tǒng)而言，因?yàn)椴煌挠脩舻闹饕d趣點(diǎn)不同，所以系統(tǒng)的覆蓋率會(huì)比較好。
【可以得出】（在相似問(wèn)題回答以下）從上面的分析，可以很清晰的看到：這兩種推薦都有其合理性，但都不是最好的選擇，因此他們的精度也會(huì)有損失。
【怎么優(yōu)化、解決？】其實(shí)對(duì)這類(lèi)系統(tǒng)的最好選擇是：如果系統(tǒng)給這個(gè)用戶推薦 30 個(gè)物品，既不是每個(gè)領(lǐng)域挑選 10 個(gè)最熱門(mén)的給他，也不是推薦 30 個(gè) A 領(lǐng)域的給他，而是比如推薦 15 個(gè) A 領(lǐng)域的給他，剩下的 15 個(gè)從 B,C 中選擇。
解決策略：所以結(jié)合 User CF 和 Item CF 是最優(yōu)的選擇。
結(jié)合的基本原則就是：當(dāng)采用 Item CF 導(dǎo)致系統(tǒng)對(duì)個(gè)人推薦的多樣性不足時(shí)，通過(guò)加入 User CF 增加個(gè)人推薦的多樣性，從而提高精度，而當(dāng)因?yàn)椴捎?User CF 而使系統(tǒng)的整體多樣性不足時(shí)：可以通過(guò)加入 Item CF 增加整體的多樣性，同樣同樣可以提高推薦的精度。
用戶對(duì)推薦算法的適應(yīng)度
（補(bǔ)充：這個(gè)是補(bǔ)充。畢竟之前更多是談引擎特性去考慮，除了上面小談?dòng)脩?#xff0c;我在這也梳理相關(guān)的，作為補(bǔ)充。）
【面試坑、策略】：
策略：以下可以作為用戶視覺(jué)的“推薦引擎、推薦策略”相關(guān)問(wèn)題的想法，記住是想法！具體怎么說(shuō)，除了按我梳理的邏輯順序，也可以自己去按理解去表達(dá)。由于站在用戶角度，就是上帝角度，只要結(jié)合了推薦算法的特性，怎么回答都可以。
坑：切記！不要說(shuō)用戶覺(jué)得爽就行了，也不要說(shuō)看指標(biāo)就很不錯(cuò)了！不要單單的說(shuō)怎樣怎樣就好，一定要結(jié)合推薦引擎本身！客觀的說(shuō)！ 切記切記~? 否則你就跳坑了~? 此坑適用于其他的策略PM面試。
回到來(lái)說(shuō)，前面大部分都是從推薦引擎的角度考慮哪個(gè)算法更優(yōu)，（面試或者談需求時(shí)，如果不懂技術(shù)或者細(xì)節(jié)，也可以拔高的回答：其實(shí)，我認(rèn)為更多的應(yīng)該考慮作為推薦引擎的最終使用者 -- 應(yīng)用用戶對(duì)推薦算法的適應(yīng)度。）
對(duì)于 User CF：
推薦的原則：是假設(shè)用戶會(huì)喜歡那些和他有相同喜好的用戶喜歡的東西；
但如果一個(gè)用戶沒(méi)有相同喜好的朋友，那 User CF 的算法的效果就會(huì)很差，所以一個(gè)用戶對(duì)的 CF 算法的適應(yīng)度是和他有多少共同喜好用戶成正比的。
對(duì)于Item C：
Item CF 算法也有一個(gè)基本假設(shè)：就是用戶會(huì)喜歡和他以前喜歡的東西相似的東西，那么可以計(jì)算一個(gè)用戶喜歡的物品的自相似度。
邏輯1：一個(gè)用戶喜歡物品的自相似度大，就說(shuō)明他喜歡的東西都是比較相似的，也就是說(shuō)他比較符合 Item CF 方法的基本假設(shè)，那么他對(duì) Item CF 的適應(yīng)度自然比較好；
邏輯2：反之，如果自相似度小，就說(shuō)明這個(gè)用戶的喜好習(xí)慣并不滿足 Item CF 方法的基本假設(shè)，那么對(duì)于這種用戶，用 Item CF 方法做出好的推薦的可能性非常低。
D. 小結(jié)：
以上的介紹，相信飯友小伙伴們，起碼已經(jīng)對(duì)協(xié)同過(guò)濾推薦的各種方法，原則，特點(diǎn)和適用場(chǎng)景有深入，60%的了解，那就可以了。
3. 總結(jié)
【算法理論、思想的口水話、面試點(diǎn)：】
移動(dòng)互聯(lián)網(wǎng)的一個(gè)核心思想就是“集體智慧”，基于協(xié)同過(guò)濾的推薦策略的基本思想就是基于大眾行為，為每個(gè)用戶提供個(gè)性化的推薦，從而使用戶能更快速更準(zhǔn)確的發(fā)現(xiàn)所需要的信息。
【產(chǎn)品角度口水話、面試交流點(diǎn)：】
從產(chǎn)品角度分析，現(xiàn)今比較成功的推薦引擎，比如 Amazon（鼻祖），豆瓣（早期），頭條（最近發(fā)起者）、網(wǎng)易云、QQ、阿里淘寶、JD等都采用了協(xié)同過(guò)濾的方式，現(xiàn)在很多大廠、主流場(chǎng)景都用了混搭方式。但核心還是玩協(xié)同過(guò)濾的多，不管如何，后期都離不開(kāi)這一步。
其中類(lèi)似維基百科這些，計(jì)算出來(lái)的推薦是開(kāi)放的，可以共用他人的經(jīng)驗(yàn)，很好的支持用戶發(fā)現(xiàn)潛在的興趣偏好。
基于協(xié)同過(guò)濾的推薦策略也有不同的分支，它們有不同的實(shí)用場(chǎng)景和推薦效果，PM可以根據(jù)自己產(chǎn)品、業(yè)務(wù)應(yīng)用的實(shí)際情況選擇合適的方法，異或組合不同的方法得到更好的推薦效果。
點(diǎn)擊“閱讀原文”看今日話題
作為用戶為什么會(huì)喜歡關(guān)閉APP通知？
總結(jié)
以上是生活随笔為你收集整理的推荐策略产品经理：剖析协同过滤（千人千面推荐的核心 ）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： 如何设计出一个有灵魂的「签到功能」？
- 下一篇： 写给未来产品总监的一封信