推薦系列（一）：什麼是推薦？

什麼是推薦？

YouTube如何知道你可能希望接下來要觀看的視頻？Google Play商店如何爲你挑選應用？這些恰到好處的推薦是魔法嗎？答案當然是不，上述情況下，基於機器學習（ML）的推薦模型都可以確定視頻和應用與你喜歡的其他內容的相似程度，然後提供推薦。推薦通常會有兩種形式：

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

二者存在一些差別，下面進行簡單介紹：

主頁推薦

主頁推薦根據用戶的已知興趣對用戶進行個性化推薦，每個用戶都能看到不同的推薦；

如果你轉到Google Play Apps主頁，可能會看到如下內容：

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，查看數學相關APP的用戶也可能會看到相關的應用，例如有關科學的APP。

爲什麼進行推薦？

推薦系統可幫助用戶在大型語料庫中找到引人注目的內容。例如，Google Play商店數據庫有數百萬個應用，而YouTube則有數十億個視頻。而且每天都會添加更多應用和視頻。用戶如何找到新的引人注目的新內容？無非了兩種途徑：搜索跟推薦。搜索的時候有些關鍵詞沒有構建索引，且搜索後還是會出來大量的視頻，如何挑選又陷入困難。但是，推薦引擎可以推薦給用戶可能沒有想過自己要搜索的內容，且自己對其感興趣。

你知道嗎?

• Google Play上40％的應用安裝都來自推薦；
• YouTube上60％的觀看時間來自推薦；

術語

在深入介紹下面內容之前，應該瞭解一些術語：

物品（items, documents）

系統推薦的實體。對於Google Play商店，這些物品是要安裝的應用。對於YouTube，這些物品是視頻。

查詢（query, context）

系統用於給出推薦的輸入。查詢可以是以下組合：

• 用戶信息
  • 用戶的ID；
  • 用戶之前與之互動的物品；
• 附加內容
  • 查詢時間
  • 用戶的設備

Embedding

從離散集（在本例中爲查詢集或要推薦的數據集）到稱爲嵌入空間的向量空間的映射。許多推薦系統依賴於學習查詢和項目的適當 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組件：

• 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中的候選生成器可將數十億視頻減少到數百或數千。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，以便選擇要顯示給用戶的項目集（大約10個）。由於此模型評估相對較小的項子集，因此係統可以使用依賴於其他查詢的更精確的模型。

重排序

最後，系統必須考慮最終排序的附加約束。例如，系統刪除用戶明確不喜歡的項目或提高更新內容的分數。重新排序還有助於確保多樣性，新鮮度和公平性。