推荐系统到底是什么？

您知道，当 Netflix 推荐某个节目时，您会想：“它是怎么知道的？”或者当亚马逊向您展示非常适合您的产品时？这就是一个正在发挥作用的推荐系统。它基本上是一种软件，可以查看您（以及像您一样的人）过去所做的事情，并使用它来猜测您下一步可能想要什么。

好消息？您无需成为 Netflix 即可打造一款。如果您是构建应用程序、博客或在线商店的独立开发人员，您可以添加建议以吸引用户回头客。让我们用简单的英语和您可以遵循的真实示例来详细说明这些东西的实际工作原理。

两种主要方法（附实例）

每个推荐系统背后实际上只有两个核心思想。一旦你理解了这些，其他的一切都只是主题的变体。

1. 协同过滤：“像你这样的人也喜欢……”

这种方法着眼于类似用户的行为。它不在乎什么内容实际上是。它只是注意到行为模式。

现实世界的例子：假设您正在构建一个书评应用程序。用户 A 喜欢书 #1、#2 和 #3。用户 B 喜欢书 #1 和书 #2，但还没有看过书 #3。协同过滤表示，“用户 B 可能也会喜欢第 3 本书，因为他们与用户 A 具有相同的品味。”

这正是 Spotify 的“Discover Weekly”播放列表的工作原理。它会找到与您有相似收听习惯的用户，然后推荐您尚未听过的他们喜欢的歌曲。

2.基于内容的过滤：“因为你喜欢这个特定的东西......”

这种方法着眼于用户交互的实际特征，然后找到更多具有相似特征的东西。

现实世界的例子：您正在构建一个食谱应用程序。用户不断保存耗时不到 30 分钟的素食面食食谱。基于内容的过滤会推荐其他快速素食面食，即使没有其他用户尝试过它们，因为成分和属性匹配该用户明显喜欢的内容。

YouTube 的“相关视频”侧边栏就是这样工作的。它会查看您正在观看的内容的标签、标题和类别，然后查找具有相似属性的视频。

两种类型的推荐系统

👥

协同过滤
“像您这样的用户也喜欢......”（Spotify、亚马逊）

🔍

基于内容的过滤
“因为这个项目有相似的特征......”（YouTube，Netflix）

🧪

混合（两者兼得）
将两者结合起来以获得更好的结果（大多数大型应用程序都是这样做的）

📈

基于受欢迎程度（最简单的开始）
“本周最受欢迎” - 无需用户数据

⏱️

实时更新
当用户与您的应用交互时立即适应

嵌入怎么样？（比听起来简单）

您会在推荐系统教程中经常听到“嵌入”一词。这听起来很吓人，但这个想法非常简单。

可以这样想：想象一下应用程序中的每个用户和每个项目都被放置在一张巨大的地图上。喜欢相似事物的用户最终会在地图上靠得很近。相似的物品最终也会靠近在一起。 “嵌入”只是该地图上用户或项目的坐标（位置）。

现实世界的例子：在音乐应用程序中，听爵士乐、布鲁斯音乐和灵魂乐的用户将被放置在地图上这些流派附近。听金属和朋克音乐的用户会处于完全不同的领域。当新的爵士乐专辑推出时，系统会在地图上检查哪些用户与爵士乐“亲近”，并向他们推荐。

如果您单独构建应用程序，为什么这很重要

如果您是一名独立开发人员，即使添加一个简单的推荐系统也可以改变游戏规则，保持用户的参与度。原因如下：

用户停留的时间更长。当人们看到为他们量身定制的内容时，他们会在您的应用上花费更多时间。想想你是如何不断滚动 TikTok 的，因为它不断地向你展示你喜欢的内容。
用户会发现更多您的内容。如果您的博客有 200 篇帖子，大多数访问者只会看到最新的几篇。 “您可能还喜欢”部分可以显示与每个读者仍然相关的旧帖子。
用户回来的频率更高。个性化的电子邮件摘要（“这是基于您的兴趣的新内容”）给人们一个返回的理由。这就是 Medium 让您点击文章的方式。

如何实际构建一个（一步一步）

这是一个实用的路线图，不会让您不知所措：

首先跟踪用户的行为。在推荐任何东西之前，您需要数据。跟踪点击、点赞、保存、在页面上花费的时间、购买以及对您的应用有意义的任何内容。即使是一个简单的数据库表，例如用户 ID |项目 ID |行动|时间戳就足够开始了。
从最简单的方法开始。不要直接跳到机器学习。从“最受欢迎的商品”或“购买 X 的用户也购买了 Y”开始。对于小型应用程序，一些 SQL 查询可以提供令人惊讶的好建议。
当你准备好时，就去图书馆毕业吧。蟒蛇的惊喜图书馆让协同过滤变得非常简单。只需大约 20 行代码，您就可以拥有一个可行的推荐模型。TensorFlow 推荐器如果你想更深入的话那就太好了。
保持新鲜。推荐很快就会过时。设置每周工作以使用新数据重新训练模型。一月份的用户品味到三月份可能会完全不同。

如果您不想自己构建它，托管服务可以处理繁重的工作。AWS 个性化让您可以输入数据并通过 API 获取建议。谷歌的人工智能推荐做同样的事情。两者都有免费套餐，对于小型应用程序来说足够慷慨。

构建您的第一个推荐系统

跟踪用户操作

记录点击、点赞、购买和花费的时间

从简单开始

通过基本 SQL 查询“最受欢迎”或“也购买”

添加库

使用 Python 的 Surprise 或 TensorFlow 推荐器

每周重新培训

随着用户品味的变化保持推荐的新鲜度

衡量什么有效

跟踪您的推荐的点击率

要点

您不需要成为数据科学家。一个简单的“喜欢 X 的人也喜欢 Y”查询可以为小型应用程序创造奇迹。
从你拥有的开始。即使是基本的点击数据也足以提供有用的推荐。
有一些免费工具可以完成繁重的工作。Surprise 等库和 AWS Personalize 等托管服务拥有非常适合独立开发人员的免费套餐。
保持新鲜。定期重新训练您的模型。过时的推荐比没有推荐更糟糕。
衡量影响。跟踪用户是否真正点击了您的推荐。如果他们不这样做，请调整你的方法。

结论

推荐系统不仅仅适用于拥有庞大工程团队的科技巨头。作为一名独立开发人员，您可以从“本周最受欢迎”这样简单的内容开始，然后逐步提出由真实用户数据提供支持的个性化建议。这些工具是免费的，库对初学者友好，并且对用户参与度的影响可能是巨大的。

关键是刚开始。跟踪用户行为，尝试一种简单的方法，然后从那里迭代。您的用户会注意到其中的差异。

如需进一步阅读，请查看Google 推荐系统指南, AWS 个性化，以及惊喜库文档。