推薦系列（一）：什麼是推薦？

什麼是推薦？

視訊用戶端如何知道你可能希望接下來要觀看的視訊？軟體商店如何為你挑選應用？這些恰到好處的推薦是魔法嗎？答案當然是不，上述情況下，基于機器學習（ML）的推薦模型都可以确定視訊和應用與你喜歡的其他内容的相似程度，然後提供推薦。推薦通常會有兩種形式：

• 首頁建議(home page recommendations)；
• 相關項目建議(related item recommendations)；

二者存在一些差别，下面進行簡單介紹：

首頁推薦

首頁推薦根據使用者的已知興趣對使用者進行個性化推薦，每個使用者都能看到不同的推薦；

如果你轉到app商店首頁，可能會看到如下内容：

相關項目推薦

顧名思義，相關項目是與特定項目類似的推薦。在Google Play應用示例中，檢視數學相關APP的使用者也可能會看到相關的應用，例如有關科學的APP。

為什麼進行推薦？

推薦系統可幫助使用者在大型語料庫中找到引人注目的内容。例如，軟體商店資料庫有數百萬個應用，而視訊用戶端則有數十億個視訊。而且每天都會添加更多應用和視訊。使用者如何找到新的引人注目的新内容？無非了兩種途徑：搜尋跟推薦。搜尋的時候有些關鍵詞沒有建構索引，且搜尋後還是會出來大量的視訊，如何挑選又陷入困難。但是，推薦引擎可以推薦給使用者可能沒有想過自己要搜尋的内容，且自己對其感興趣。

你知道嗎?

• 應用商店上40％的應用安裝都來自推薦；
• 視訊用戶端上60％的觀看時間來自推薦；

術語

在深入介紹下面内容之前，應該了解一些術語：

物品（items, documents）

系統推薦的實體。對于應用商店而言，這些物品是要安裝的應用。對于視訊用戶端而言，這些物品是視訊。

查詢（query, context）

系統用于給出推薦的輸入。查詢可以是以下組合：

• 使用者資訊
  • 使用者的ID；
  • 使用者之前與之互動的物品；
• 附加内容
  • 查詢時間
  • 使用者的裝置

Embedding

從離散集（在本例中為查詢集或要推薦的資料集）到稱為嵌入空間的向量空間的映射。許多推薦系統依賴于學習查詢和項目的适當

嵌入

表示。

推薦系統概述

推薦系統的一種常見架構包括以下元件：

• 生成候選人（candidate generation）
• 評分（scoring）
• 重排序 (re-ranking)

生成候選人

在第一階段，系統從潛在的巨大語料庫開始，生成更小的候選子集。例如，YouTube中的候選生成器可将數十億視訊減少到數百或數千。考慮到語料庫的巨大規模，模型需要快速評估查詢。一個模型可能有多個候選生成器，每個候選生成器可以生成不同的候選子集。

評分

接下來，另一個模型對候選者進行評分和排名，以便選擇要顯示給使用者的項目集（大約10個）。由于此模型評估相對較小的項子集，是以系統可以使用依賴于其他查詢的更精确的模型。

重排序

最後，系統必須考慮最終排序的附加限制。例如，系統删除使用者明确不喜歡的項目或提高更新内容的分數。重新排序還有助于確定多樣性，新鮮度和公平性。