編輯導(dǎo)語：推薦算法基于用戶喜好，為用戶推送其可能感興趣的事物。這一模式有利有弊，一方面，推薦算法的存在可以幫助用戶在海量信息中進行篩選，但另一方面，個性化推薦讓用戶喜好無所遁形。本篇文章里，作者從短視頻讓人上癮這一現(xiàn)象入手，對推薦算法進行了拆解，一起來看一下。

“這篇文章主要是想通過短視頻產(chǎn)品，和大家探討一個對于數(shù)據(jù)分析師相對比較陌生的領(lǐng)域：推薦算法?！?/p>

一、比你自己更懂你

不知小伙伴們是否和我一樣，每天都會面對一個來自靈魂深處的拷問：今天吃什么？

于是，當(dāng)我打開美團外賣、餓了么外賣，首頁一大波我愛吃的推薦好菜便撲面而來，媽媽再也不用擔(dān)心我今天吃什么啦！當(dāng)我們在淘寶、京東等購物網(wǎng)站完成一次購物之后，平臺馬上就會為我們推薦另外一些相似的商品，一不留神又開啟了買買買的模式。

當(dāng)我們在閑暇打開抖音摸魚的時候，為什么會源源不斷刷出自己感興趣的視頻，不知不覺大半天已經(jīng)過去了，讓人不得不感嘆：這推薦，根本停不下來??！

從衣食住行到文教娛樂，這些滲透到我們?nèi)粘Ｉ罘椒矫婷娴囊粋€個互聯(lián)網(wǎng)產(chǎn)品，不斷讓我們驚呼：哇哦，amazing，它們簡直比我自己還要了解我！小朋友，此時你腦海里是否有很多問號，它們到底是怎么做到的呢？

其實，在它們的背后都有一個強大的大腦——推薦系統(tǒng)。接下來我們就一起走進推薦系統(tǒng)的奇妙世界！

二、打開推薦系統(tǒng)的“黑匣子”

1. 推薦系統(tǒng)的目的

隨著互聯(lián)網(wǎng)信息技術(shù)的發(fā)展，我們已經(jīng)身處在大數(shù)據(jù)的時代。

在浩如煙海的信息中，如何找到自己感興趣的內(nèi)容，或者說信息生產(chǎn)者如何讓自己所要傳達的信息被人們所看到，都會是一個非常困難的過程。推薦系統(tǒng)就像一個漏斗一樣，通過對信息進行融合、摘要和篩選，最終呈現(xiàn)給用戶自己認為或者商家覺得“有用的信息”。

2. 推薦系統(tǒng)分類

3. 推薦系統(tǒng)核心流程

推薦系統(tǒng)本質(zhì)是一個信息過濾系統(tǒng)，它基于用戶數(shù)據(jù)、用戶行為數(shù)據(jù)和商品內(nèi)容信息并通過一定的算法來預(yù)測用戶的偏好，根據(jù)用戶的偏好特點過濾掉用戶不感興趣的商品或者內(nèi)容，從而通過“千人千面”的手段不斷的吸引用戶留在產(chǎn)品上。

按照流程通常分為：召回、排序、重排序這3個核心環(huán)節(jié)，每個環(huán)節(jié)逐層過濾，最終從海量的物料庫中篩選出幾十個用戶可能感興趣的內(nèi)容或商品推薦給用戶。

三、短視頻個性化推薦大揭秘

1. 基于用戶的協(xié)同過濾

核心思想：A和C兩個用戶相似，給A推薦C喜歡且A沒有看過的東西。

2. 基于物品的協(xié)同過濾

核心思想：兩個視頻1和3相似，給C推薦與視頻1（A和C都喜歡）相似的內(nèi)容。接下來，我們以基于用戶的協(xié)同過濾為例，通過短視頻推薦的案例給大家進行略作詳細講解。

假設(shè)在某短視頻平臺有ID為DY001至DY006的六位用戶，他們可能對不同短視頻進行瀏覽、收藏、點贊、評論、分享等行為操作。為了衡量不同用戶對不同短視頻的興趣度，我們可以設(shè)計一個簡單的模型，對不同行為賦予相應(yīng)的分值，如下表：

根據(jù)用戶的行為計算視頻得分，滿分10分，加到10后則不再累加。比如某一用戶對搞笑類視頻打分是8分（可能是瀏覽1分，點贊3分，分享4分），然后，我們就能得到DY0001至DY0006這六位用戶對各種類型短視頻的偏好程度得分表（0為完全沒興趣，10為非常有興趣，空白為暫缺）：

很顯然，通過根據(jù)用戶在不同視頻上的得分情況，可以得到用戶對不同視頻的喜愛情況，在此基礎(chǔ)上構(gòu)建出用戶特征向量，然后根據(jù)余弦相似度可以判斷用戶之間的相似性。

根據(jù)相似性可以建立用戶相似矩陣（得分越接近1代表兩個用戶越相似），可以一定程度上判斷兩個用戶在視頻偏好上的相似程度。

進而我們可以認為，如果用戶A和用戶B比較相似，可以認為A喜歡的書B應(yīng)該也喜歡。因此我們在給用戶A進行視頻推薦時，找到與其相似度較高的其他用戶，然后過濾掉用戶A已看過的視頻，結(jié)合相似用戶對某個視頻的喜愛程度以及該用戶與A用戶的相似度進行加權(quán)，得到的推薦指數(shù)越高的視頻越優(yōu)先進行推薦。

當(dāng)然，對于不同的短視頻平臺，其對用戶的不同行為所賦予的權(quán)重是不一樣的，以下是抖音和快手的部分策略對比，僅供參考：

四、結(jié)束語

本篇文章，我們從生活中的“個性化推薦”現(xiàn)象入手，一起探討了系統(tǒng)過濾推薦算法的原理以及簡單的應(yīng)用。

當(dāng)然，協(xié)同過濾推薦算法并不是萬能的，它過度依賴用戶的歷史數(shù)據(jù)，面對新的用戶或者新的物品，在開始的時候沒有數(shù)據(jù)或數(shù)據(jù)較少時，協(xié)同過濾算法無法做出較為準確的推薦。需要等數(shù)據(jù)積累，或者其他方案進行彌補缺陷，也就是常說的冷啟動的問題。

本文由 @知了數(shù)據(jù)分析 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議。