最近和很多人探讨、交流推荐系统相关很多事情，喜欢这种理性探讨，这种探讨能够让双方都有收获，一个是负
反馈再有就是对于推荐系统怎样做深入，再有就是推荐系统架构一点思索。
负反馈最近探讨很多一个问题。一直有疑惑，大部分的内容都是关于movielens这种含有客户负反馈的，但是我
只是一个普通的电商网站，只有客户的购买浏览等记录，却缺乏客户不喜欢物品的负反馈，即使是我使用itemcf，也
只能是单类协同过滤，效果不是很好，查了一些paper，除了使用其他的结合内容，上下文等之外，就只有采样了，
但是我所在的行业，就算客户没买，也不一定是不喜欢，只是可能不知道而已，想探讨一下，是否了解这种隐反馈的场
景实际应用中还有没有其他的处理方法呢？
这是一个好问题，一个有意思问题，也是我们探讨了很多次问题。负反馈其实我们可以思考一下，不买就是不喜
欢或者说没推准？那推出来不点击不浏览呢？应是不能作为负反馈的，因为一个用户不点击、不购买因素太多了，钱
不够？人委屈（对这个素材不满意而已，把品类都降权太极端）了可能都不会去点击。
再有就是现在淘宝京东等app对于素材都有负反馈收集，但其实了解到负反馈人很少，因为用户没义务去点击那
个，他也不愿意去反馈。其实很多用户是不满意就直接走了，不会提意见的，这是实际数据反馈情况。
那负反馈要不要做，做是当然要做但要小心做，因为其实很多用户在频道内行为是很有限的，分类召回级直接卡
掉，点击、浏览、GMV转化等指标应该一下就会降一大截。
现在推荐系统，两个方面一个是用户持久喜好，作为离线偏好，这种负反馈尽量不要做。另外是用户实时篇好，
因为很多情况下用户看到喜欢内容、商品会点击两下看看，真喜欢可能就购买了。实时用户篇好目前是很重要用户推
荐构成部分，能抓取就抓用户了，抓不住就走了。对于实时篇好可以根据给用户推荐内容、商品都未点击，可以做降
权处理，不是过滤，过滤要慎重，用户点击多了还要加权，抓住用户实时兴趣，引导用户多浏览、多看。
我所在的行业,但是由于某一类目的商品选择较少,导致这一类型各个商品和其他类型的各种商品的相似度都较高,
导致不管其他什么商品都会很容易推荐这一类目的热门商品,请问您有遇到过这种情况嘛?一般工程上会怎样解决这种
问题呢?
关于推荐系统的热门商品权重过大的问题，除了上面的规则干预，还有没其他的模型计算方法呢？我用的是项亮
书中的在itemcf时变了分母的幂次，但效果不好，您还知道工程中有其他合适的算法嘛？
热门商品是个好东西，但不受控制总是推出热门商品不是一个好的做法，热门商品作为一个单独热门召回级，热
门商品被关联数量一定要控制，设置相关策略阀值。
对于热门商品做热度算法处理，就是热门内容、商品作为召回级，给予阶梯式曝光，如果热门能很大程度提升整
体转化指标，那么可以给相应加权如做不到进行相应降权。
热门商品召回级还有一个很大用处，目前看在一个频道很多用户是行为很少的，热门作为拉新很重要一个手段，
因为热门某种意义就是命中了大多数人喜好。是作为召回级不够用户很重要一个数据补充渠道，用好还是相当重要。
最近探讨另外一个重要点，推荐系统如何做深入，毕竟越深越美，如果有了粗力度召回级，那么就是做细粒度召
回级。就像文章，最开始做主题LDA分类，但这种分类很粗，加进相似文章召回，数据猛的一升。后来又做了细粒度
标签比主题细分很多一种划分主题方式，这种就要结合LDA将力度又不要划分太细，不然会发现用户点击两下全是同
一个内容。
内容细的标签，沉下心来仔细想想，很像搜索引擎，用户点击某个标签，然后返回标签下内容。如果把标签理解
为搜索引擎搜索词，这就是极其类似召回数据方式。很多事情都是相通的，要静下心来去探索、去发现。
商品最近也是在探索细粒度召回级事情，以前做的更多是品类，品类作为召回级核心，后边会更多探索用户对于
品牌、性别、价格段、季节、地理位置、手机信息等多个更细粒度召回级探索。补充完善粗召回级之外内容，预估对
转化数据都是会有提升的。
再有就是也在对于商品标签不断完善，是另外一个方向对于召回级扩大以及更加细分，让用户行为能更精准进行
推荐。品牌、价格段、性别、商品标签都是对于商品分类召回细化，仔细想想很像是对于内容由主题到标签，粗粒度
细粒度结合。
这些新的尝试对于线上推荐服务、推荐引擎也是一个新的挑战，需要花费心思去将架构抽象化合理化。其实做事
情难易程度，不在于外界，在于你对于自己要求，要求高了，难度自然就大了。
最近在看Google对于分布式系统设计方面内容，收获很多，对于复杂系统给出最简洁设计，是Google设计分布式
系统很重要设计理念，求于至简，归于永恒。简洁其实是很难很复杂要求很高设计，因为所有事情都考虑到，才能做到
至简，至繁归于至简。
扫码关注公众号