目录结构

　　1，推荐系统的概率及部署

　　2，新闻推荐系统特点分析

　　3，协同过滤算法分析

　　4，系统评估与安全

一：推荐系统的概览及部署

　　　　首先明确一个概念，推荐系统是什么，或者说解决了什么样的一个问题。

　　　　　　　　新闻推荐系统解决的是咨询、用户和环境之间的关系，如图，通过对用户特征、环境特征、文章特征做综合分析，将最合适、有效的内容推荐给用户。

　　　　推荐系统在业务平台的定位

　　　　　　　　正所谓巧妇难为无米之炊，不光新闻推荐系统，几乎所有人工智能模型都离不开大数据组件的支持。

　　　　　　　　要做到一个“千人千面的推荐系统“，需要大数据的支持，可能涉及的大数据组件如spark、Hadoop，支持组件ES、Kafka等，不做具体分析，各有好坏，需要再实际业务环境中选择使用，不用最好的，但要最适合的。

　　　　　　　　推荐系统在整个系统中的粗略定位如下。

　　　　推荐系统的核心模块

　　　　　　　　　系统是个闭环，从数据收集启动，通过ETL做标的物处理，经特征工程做特征后，交由推荐算法处理训练、预测，生成推荐结果，推荐结果提交给用户后收集用户反馈，并以此作为数据不断优化更新模型。如图。

　　　　　常用特征分析

　　　　　　　　　　处理好特征，有助于推荐的精准度，特征一般包含相关性特征，环境变量特征，热度特征，协同特征。依据具体业务逻辑特征选取使用。

　　　　召回、排序策略

　　　　　　　　　针对生成结果如何召回、排序也是一个需要考虑的问题，个人建议执行多路召回，避免了单一算法的局限性，有效解决产生推荐范围越来越单调的问题。

　　　　　　　　　具体通过对不同路线召回的权重选择，时间衰减降权，惩罚热点等完成。

二：新闻推荐的特点分析

　　　　新闻推荐的特点，注定需要NLP的炼金石。

　　　　　文本分析在新闻推荐中的应用

　　　　　　　　　　　　用户兴趣：为喜欢【游戏】相关文章的用户打上【游戏】标签。

　　　　　　　　　　　　内容推荐：把喜欢【电影】相关推荐给喜欢【电影】的用户。

　　　　　　　　　　　　频道生成：把【财经】文章归类到【财经频道】。

　　　　　文本特征

　　　　　　　　　　　　新闻资讯类产品的特殊性，注定了对内容实时性的需求，导致对历史数据消费不足，没有文本特征冷启动困难。

　　　　　　　　　　　　一般人为使用分类、实体词、关键字等显式特征，部分使用隐式特征（如LSA）。

　　　　　　文本特征价值：

　　　　　　　　　　　　　　细粒度启动能力强，如：【故宫旅行攻略】与【北京旅行攻略】。

　　　　　　　　　　　　　　无文本特征，搜索引擎无法工作。

　　　　　　文本特征模型：

　　　　　　　　　　　　　　个人推荐bert，bert在问答系统、情感分析、命名实体识别、垃圾邮件过滤、文档聚类等方面成绩显著，这些对新闻推荐工作都是有帮助的。

　　　　　　　　　　　　　　新闻推荐主要需要：关键字获取、主题抓取、后续的垃圾新闻过滤等。

　　　　　　　　　　　　此外，LDA主题生成模型在做基于物品相似推荐上效果不错，可以考虑使用

三：协同过滤算法分析选择

　　　　　　典型的推荐算法

　　　　　　　　　　本文重点是基于协同过滤的推荐系统，其他算法不做比较、解释。

　　　　　两种经典协同过滤算法比较

　　　　　　　　　　协同过滤又可以分为基于用户的协同过滤，基于物品的协同过滤，使用场景须自行分析，会在后面做两种比较。

　　　　基于物品的协同过滤

　　　　　　　　　　分析：电商等以物品为主的应用场景。

　　　　　　　　　　特点：用户数大于物品数，通过分析物品推荐用户。

　　　　基于用户的协同过滤

　　　　　　　　应用场景：新闻等以内容为主的平台

　　　　　　　　特点分析：内容量远大于用户数，通过分析用户推荐内容。

　　　　人物画像

　　　　　　　　基于用户的协同过滤需对用户有一点的了解，如果深入分析，可以考虑生成人物画像。

　　　　　　　　人口属性——用户是谁（性别，年龄等）。

　　　　　　　　兴趣偏好——个人爱好、品牌偏好等。

　　　　　　　　社交属性——社交活跃度。

　　　　　　　　消费属性——消费需求、消费习惯。

　　　　　几种常用的相似度计算方法。

　　　　　　　　　　介绍完以上信息，做个总结。协同过滤归根结底，是一个计算用户、物品与其他用户、物品相似的一个过程，为相似的用户、物品推荐与之相关的内容。

　　　　　　　　　　对于这个“相似”，一般使用一下几种方法计算

　　　　　　　　　　欧几里德距离：

　　　　　　　　　　皮尔逊相关系数：

　　　　　　　　　　cosine相关度：

　　　　对比分析：

　　　　　　　　　　此处对两种推荐算法做个对比分析，不做其他相关赘述。

　　　　SparkMl与Mahout对比选择：

　　　　　　　　SparkMl：　　　　　　　　　　　　　　　　　　　　　　　　　　　Mahout：

　　　　　　　　语言：Scala、Python、Java　　　　　　　　　　　　　　　　　　　语言：Java

　　　　　　　　定位：Spark里的机器学习库　　　　　　　　　　　　　　　　　　　定位：Java库

　　　　　　　　领域：常规的机器学习算法如CF、特征工程、数据处理。　　　　　　领域：CF、集群、分类

　　　　　　　　这里个人推荐使用sparkMl，因为开发文档等全面，便于参考，且更成熟。

四：系统评估与安全

　　　　可能影响评估效果的因素及要点：

　　　　　　　　推荐系统架构的改进，召回模型改进，推荐特征增加，算法参数优化等。

　　　　　　　　一个系统搭建成功，很重要的一点是，不光看他能不能用，还要看他的实用效果如何，并不管改进。

　　　　　　　　需要注意：兼顾长期与短期指标，注意协同效益的影响，必要时隔离统计。

　　　　A/B Test提供评估：

　　　　　　　　如同推荐系统的闭环工作一样，A/B test也是一个闭环的工作流程。通过测试分析数据，提出改进想法加入测试，有效产品化使用，无效吸取经验。

　　　　A/B test 实现原理

　　　　　　　　　通俗的讲，遵循单一变量原则，明确自身期待目标，然后控制完成目标的单一变量，执行灰度测试，通过实施反馈修正方案。

　　　　风险内容识别与安全：

　　　　　　　　一个新闻推荐系统在推荐的同时也需要对新闻内容进行审核，对一些低质量内容采取过滤不推荐策略，保证推荐新闻的高效且有用。需注意如一下几点：

　　　　　　　　推荐信息低质过滤（如被用户标记质量差）。

　　　　　　　　违法违规内容过滤。

　　　　　　　　低俗内容识别过滤。

　　以上是本人对一个系统总体的认知，其中部分图片因个人绘制实在太丑而选取的网图。另外，希望大家能多提宝贵意见，对本人理解有误部分，欢迎批评指正，深表感谢。

原文地址：https://www.cnblogs.com/Hsir/p/11440983.html