本文闡述整個推薦體系從0搭建的全流程，也是最近以來一直深入研究的成果展現(xiàn)。因原文太長，故此切分成3部分發(fā)送，每天發(fā)送1篇。全文結(jié)構(gòu)為：上篇：第零章概述，第一章標(biāo)簽體系搭建；中篇：第三章用戶體系，第四章項目體系，下篇：第五章推薦體系，第六章評估體系，第七章全文總結(jié)，第八章參考資料。

內(nèi)容相對全而深入，希望有推薦體系搭建意愿的平臺或者產(chǎn)品經(jīng)理，能夠給予一定的幫助就好。另，求工作。

0. 概述

隨著信息技術(shù)的迅速發(fā)展和信息內(nèi)容的日益增長，“信息過載”問題愈來愈嚴(yán)重，愈發(fā)帶來很大的信息負擔(dān)。推薦系統(tǒng)可以有效緩解此難題，從而得到推崇并加以廣泛應(yīng)用。

簡單來說：推薦系統(tǒng)是通過挖掘用戶與項目之間的二元關(guān)系，幫助用戶從大量數(shù)據(jù)中發(fā)現(xiàn)其可能感興趣的項目如網(wǎng)頁、服務(wù)、商品、人等，并生成個性化推薦以滿足個性化需求。目前市場上對于電子商務(wù)的推薦系統(tǒng)有亞馬遜、阿里巴巴、豆瓣網(wǎng)、當(dāng)當(dāng)網(wǎng)等，信息檢索的有谷歌、雅虎、百度等，以及在其它周邊領(lǐng)域廣泛運用如移動應(yīng)用、電子旅游、互聯(lián)網(wǎng)廣告等。本文只闡述網(wǎng)頁內(nèi)容，特制新聞方面的項目體系搭建。

研究者認為根據(jù)施拉姆信息選擇公式，人們對媒體的注意或選擇的可能性（然率）與它能夠提供的報償（價值）程度成正比，與人們獲得它的代價（費力）程度成反比。也就是說：人們愿意用最小的代價獲取價值最大的新聞信息。由此，媒體要從認知接收方面，減輕受眾的“費力”程度，提升信息或傳媒的價值，樹立品牌意識，形成規(guī)模效應(yīng)；擁有與眾不同的品味和特色，將自己在受眾眼中的“可讀”形象轉(zhuǎn)變成“必讀”形象，從而使用戶對媒介產(chǎn)品形成強烈的信賴感和依賴感，在受眾心中形成穩(wěn)定的獨特風(fēng)格。

下圖是一般情況下的推薦系統(tǒng)基本框架（圖片取自網(wǎng)絡(luò)）：

從最初的數(shù)據(jù)收集，到最末端的展示階段，中間還經(jīng)過數(shù)據(jù)處理以及生成環(huán)節(jié)，處理大多數(shù)所指提取特征初處理，生成一般是指利用特征來選取相應(yīng)算法進行匹配計算。數(shù)據(jù)的整個生命周期如下：

也就是從數(shù)據(jù)獲取，一直到最后的加工輸出，經(jīng)歷的整個環(huán)節(jié)，最終給我們提供相應(yīng)的有效信息，采取相應(yīng)的有效手段，才是數(shù)據(jù)價值的最終體現(xiàn)。

在正式開始前，對于數(shù)據(jù)收集的要求也是很高，如果數(shù)據(jù)不準(zhǔn)確或有偏差，很可能之后做的都是徒勞無功，下表為目前常見的數(shù)據(jù)收集時常見的問題：

對于新聞內(nèi)容的推薦系統(tǒng)，讓人們最順暢獲取到人們想看到的內(nèi)容，從而形成核心競爭力。推薦系統(tǒng)的常規(guī)推薦系統(tǒng)，一共分為兩條線，第一條線是用戶，第二條線是項目，計算兩者間的相關(guān)近似值，從而完成推薦。計算近似值一定有所媒介，這個媒介就是標(biāo)簽（Tag）系統(tǒng)，所以在建設(shè)整個體系之前，最優(yōu)先需要建設(shè)的就是標(biāo)簽系統(tǒng)，其次是用戶體系，也就是用戶模型，我們在感知用戶唯一的途徑就是通過用戶操作，換言之既用戶行為，所以相對用戶行為微妙的變化，要求我們的用戶體系是十分敏感的，而最后是項目體系，這里特指新聞內(nèi)容。

下面將從產(chǎn)品層面盡量描述如何搭建推薦體系相關(guān)流程及細節(jié)，整體搭建思路流程如下：

整體相對比較復(fù)雜，下面將逐一闡述其中細節(jié)。

1. 標(biāo)簽體系

1.1 搭建流程

要做標(biāo)簽體系，我們要先確定的就是系統(tǒng)結(jié)構(gòu)，常規(guī)來看一般都是講標(biāo)簽隨內(nèi)容或用戶建設(shè)（但是我覺得那樣是不完整的，在之后獲取不到更加有效有幫助的信息，這也就是為什么我認為一定要將標(biāo)簽體系一定要單獨拎出來的原因）。

在確定系統(tǒng)結(jié)構(gòu)之后，我們要進行相關(guān)的算法選擇，并且大致選定學(xué)習(xí)的范圍和地點，以供機器學(xué)習(xí)，至此整個標(biāo)簽體系的搭建流程就此完畢。隨著不斷的內(nèi)容填充進來，要有相應(yīng)的標(biāo)簽不斷補充進來。這是一個長期的過程，并且也需要及時依據(jù)用戶反饋修正算法，實時調(diào)整，并非一日之功。

1.2 二維化結(jié)構(gòu)

常規(guī)網(wǎng)絡(luò)的標(biāo)簽是隨用戶和內(nèi)容添加的，但是會有局限性，也就是標(biāo)簽體系較難或無法透徹追查其它相關(guān)聯(lián)內(nèi)容。實際上標(biāo)簽體系的核心價值，體現(xiàn)在相應(yīng)建立起信息和人、人與人之間的關(guān)聯(lián)。所以我在思考：如何能夠進行最深入的追查最深處的關(guān)聯(lián)？有一個常規(guī)方案就是單獨建立標(biāo)簽體系，將標(biāo)簽平鋪于系統(tǒng)中，也就是二維化。通過機器學(xué)習(xí)，建立標(biāo)簽的基本聯(lián)系網(wǎng)絡(luò)，之后貼合于用戶與內(nèi)容中即可。無立體結(jié)構(gòu)的上下層級展示，好處是可以避免了一維化的后果。換句話說如果有層級，那么不可避免的就會變成一級、二級。

簡單來說：與某標(biāo)簽周遭相關(guān)聯(lián)的一切標(biāo)簽均展示；那周遭的標(biāo)簽還會又有標(biāo)簽，再展示；也就變成無窮盡的立體結(jié)構(gòu)化的標(biāo)簽網(wǎng)絡(luò)，也就是價值基礎(chǔ)。最終價值的輸出還要結(jié)合其它的相關(guān)行為、操作、用戶物理屬性、內(nèi)容載體以及效果評定等因素綜合考量。

1.3 機器學(xué)習(xí)

常規(guī)機器訓(xùn)練流程是：先確定方法→訓(xùn)練集→特征選取→訓(xùn)練→分類器；分類：新樣本→特征選取→分類→判決。

所以最開始我們就要確定機器學(xué)習(xí)的方法。方法有許多種，需要具體根據(jù)情況來具體確定。下面僅以產(chǎn)品角度羅列常見經(jīng)典的機器學(xué)習(xí)方法、特點、利弊等。以供數(shù)據(jù)工程師進行選擇、對比，輔助做出最優(yōu)選擇，以供參考。

方法當(dāng)中，首先分為兩個大類別：監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)又稱為分類或者歸納學(xué)習(xí)。幾乎適用于所有領(lǐng)域，包括內(nèi)容處理。常見算法有決策樹、貝葉斯模型、KNN、SVM等。

與這一方式相對的是非監(jiān)督學(xué)習(xí)，在這種方式中，所有的類屬性都是未知的，從零開始摸索，算法需要根據(jù)數(shù)據(jù)集的特征自動產(chǎn)生類屬性。其中算法中用于進行學(xué)習(xí)的數(shù)據(jù)集叫做訓(xùn)練數(shù)據(jù)集：當(dāng)使用學(xué)習(xí)算法用訓(xùn)練數(shù)據(jù)集學(xué)習(xí)得到一個模型以后，我們使用測試數(shù)據(jù)集來評測這個模型的精準(zhǔn)度。常見的有聚類、特征矩陣。下表為常規(guī)推薦算法的分類，一共是三類：分類算法、關(guān)聯(lián)規(guī)則和聚類，依據(jù)不同場景選擇不同算法進行調(diào)整即可。表格后面列出最常用算法的利弊以及用人話描述的算法原理，以供產(chǎn)品同事參考。

樸素貝葉斯：

對于給出的待分類項，求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率；哪個最大，就認為此待分類項屬于哪個類別。非常好理解，單純的概率問題。

優(yōu)點：算法十分穩(wěn)定，并且對數(shù)據(jù)參數(shù)無要求；運用較為簡單。

缺點：在屬性個數(shù)比較多或者屬性之間相關(guān)性較大時效率不理想，并且重前期數(shù)據(jù)格式，需要知道先驗概率，存在一定錯誤率。但是結(jié)合聚類算法，可以一定程度解決屬性個數(shù)問題。

使用場景：常見于垃圾郵件分類場景。

決策樹：

哈利波特中的分院帽應(yīng)用的是個非常典型的決策樹模型：帽子往學(xué)生頭上一扣，讀取學(xué)生的顯著特征，然后分到某個類別里。所以你看，哈利波特一開始表現(xiàn)出來的特征都是格蘭芬多的特征，分院帽讀取數(shù)據(jù)時候發(fā)現(xiàn)這個人有兩類顯著特征，于是猶豫不決，最后還是波特自己提出了要求，這就證明應(yīng)用模型時的人工干預(yù)必不可少。

優(yōu)點：決策樹較為通俗易懂，并且對數(shù)據(jù)格式不敏感，較為聰明；易于通過靜態(tài)測試測量模型可信度，善于短時間處理大量數(shù)據(jù)源，對屬性數(shù)量兼容性好，有很好的擴展性。

缺點：對樣本數(shù)量不一致的數(shù)據(jù)，結(jié)果有偏向，處理缺失數(shù)據(jù)時候會有困難，并且有過度擬合現(xiàn)象，容易忽略數(shù)據(jù)集中屬性之間的相關(guān)性。

使用場景：可結(jié)合隨機森林算法，減少相應(yīng)過度擬合現(xiàn)象。常見于用戶行為分析場景。

KNN：

說白了就是我們要尋找鄰居，但是為什么要尋找鄰居？如何選取鄰居，選取多少鄰居？怎么樣去尋找我們想要的鄰居，以及如何利用鄰居來解決分類問題這是KNN算法需要解決的幾大問題。

為什么我們要尋找鄰居？古話說的好：人以類聚，物以群分。要想知道一個人怎么樣，去看看他的朋友就知道了。我們?nèi)绻袛嘁粋€樣本點的類別，去看看和它相似的樣本點的類別就行了。

優(yōu)點：該算法簡單有效，重新訓(xùn)練代價較低，對于類域有較差或重疊較多的樣本較為適合。同樣適用于樣本量較大的情況。

缺點：樣本量較小時反而有誤差。而且該算法是懶散學(xué)習(xí)方法，不主動，類別評分不規(guī)格且輸出可解釋性不高。當(dāng)樣本量不平衡時，有可能導(dǎo)致當(dāng)輸入一個新樣本時，該樣本的K個鄰居中大容量類的樣本占多數(shù)，并且計算量較大?？梢圆捎脵?quán)值的方法，和該樣本距離小的鄰居權(quán)值大，來改進問題，對于計算量較大，可以事先對已知樣本點進行剪輯，去除對分類作用不大的樣本來優(yōu)化。

使用場景：常見于預(yù)測價格場景。

SVM：

說到這個算法之前，先得配一張圖：

這圖啥意思呢？不用管。但是這兩種分法哪種更好呢？從直觀上來說，顯然右側(cè)好。也就是分割的間隙越大越好，把兩個類別的點分得越開越好。就像我們平時判斷一個人是男還是女，就是很難出現(xiàn)分錯的情況，這就是男、女兩個類別之間的間隙非常的大導(dǎo)致的，讓我們可以更準(zhǔn)確的進行分類。從實踐的角度來說，這樣的效果非常好，錯誤率低。

優(yōu)點：該算法適用于樣本量較小的情況，可提高泛化性能，可解決高維度問題。并且對線性和非線性問題均可解決，可避免神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部極小點問題。

缺點：對缺失數(shù)據(jù)較敏感，對非線性問題沒有通用解決方案，需要選擇核函數(shù)來處理，算法使用并且極其復(fù)雜。

使用場景：常見于社交網(wǎng)站用戶分類場景。

Ad boosting：

這個算法說實話我也解釋不清，沒真正運用過，憑自己查資料的理解試著說一下。這個算法核心的思想是整合多個弱分類器，成為一個強大的分類器。這時候，集合分類器出現(xiàn)了。用人話說就是三個臭皮匠賽過諸葛亮，好理解了吧？識別一組條件特征概念判斷的正確率比隨機猜測略好，但是還不夠，這就是弱分類器；多個弱分類器的效果疊加起來，就變成一個強分類器，識別率就會很高了。

優(yōu)點：該算法精度較高，可用任意方法構(gòu)建子分類器；使用簡單分類器時結(jié)果容易理解，且弱分類器構(gòu)造極其簡單，而且不用做特征篩選，不用擔(dān)心過度擬合情況。

缺點：對離群值比較敏感。

使用場景：常見于人臉檢測、目標(biāo)識別場景。

K-means：

給你一萬個人，分成四群，需要能夠解釋每一群人的突出特征，如果有兩群人的特征很相似，那就要重新分群了；或者有一群人的特征不明顯，那就要增加分群了。好處在于樣本量大的時候，可以快速分群，但需要在分群后注意每個群體的可解釋性。

優(yōu)點：這個算法屬于經(jīng)典算法，簡單快速，對處理大數(shù)據(jù)集可伸縮，高效。并且在簇密集度高、球狀或團狀時，且有明顯于其他簇區(qū)別時，聚類效果好。

缺點：但是只有簇平均值被定義情況下才能使用，且對分類屬性數(shù)據(jù)不適用，并且要求用戶必須事先給出要生成的簇的數(shù)目。對初始值敏感，不適合發(fā)現(xiàn)非凸面形狀的簇，或者大小差別很大的簇。對噪聲和孤立數(shù)據(jù)敏感，少量該類數(shù)據(jù)能直接影響平均值。

使用場景：常見于CRM篩選目標(biāo)客戶場景。

神經(jīng)網(wǎng)絡(luò)：

這個算法不想解釋啥，就想放張圖，覺得不放可惜了。

以上摘要從產(chǎn)品角度來說只要大概心里有數(shù)即可，一般情況下從產(chǎn)品數(shù)據(jù)、應(yīng)用場景等決定。

一般來看，冷啟動期間應(yīng)選擇非監(jiān)督學(xué)習(xí)，如聚類；等數(shù)據(jù)豐富之后，轉(zhuǎn)換為監(jiān)督學(xué)習(xí)，擇優(yōu)選擇算法方可；但仍需具體問題具體分析。更多的還是配合技術(shù)、算法人員來選擇和實現(xiàn)，詳細算法和原理、公式等可以到后面附錄1進行查看，給予參考。

1.4 學(xué)習(xí)地點

這里我建議從百科類產(chǎn)品進行機器學(xué)習(xí)，國內(nèi)最大的百科就是百度百科了，在國際上自然還有維基百科。

查了一些相關(guān)方法，發(fā)現(xiàn)從百度百科利用機器學(xué)習(xí)標(biāo)簽，已經(jīng)有相應(yīng)的案例并且成本相對不是很大，具體的方法也放在后文中的附錄2中。

文中探究的是微博標(biāo)簽相關(guān)的項目，與本文無關(guān)，但整體思路可借鑒。大致流程為先抓取頁面下相關(guān)標(biāo)簽內(nèi)容，要注意特殊情況，會有歧義頁面；將標(biāo)簽抓取存儲之后通過算法計算之間的關(guān)聯(lián)性、權(quán)重分數(shù)，而后輸出驗證。整體的過程非常簡單快捷，能在前期非?？焖俚难a充相關(guān)數(shù)據(jù)，但是要注意數(shù)據(jù)量的問題，很可能導(dǎo)致無窮，所以收集哪些主要領(lǐng)域，收集多少，是需要我們最開始定義好的，及時踩剎車。

1.5 輸出展示

這里的展示更多指的還是相應(yīng)的后臺頁面，要滿足幾個條件：其中最基本的一定要滿足可視化的要求，點擊標(biāo)簽以后相應(yīng)的關(guān)聯(lián)標(biāo)簽可形成關(guān)聯(lián)展示；可以選擇展示兩級或者三級，清晰直觀的看到關(guān)聯(lián)情況。更進一步的是點擊后，每個標(biāo)簽里面的詳細情況也會展示出來。比如說標(biāo)簽的歷史類型情況、載體情況、分別的打開情況、受眾用戶群體，所以這也是需要依托于用戶體系的相關(guān)標(biāo)簽結(jié)合之后的產(chǎn)出物。

結(jié)合基本數(shù)據(jù)維度比如昨日新增多少標(biāo)簽、文章類型走向是什么樣的受眾是什么樣的走向，都是屬于基礎(chǔ)數(shù)據(jù)范疇，達到實時監(jiān)控，定位報警的作用。

1.6 小結(jié)總結(jié)

本節(jié)總體來說闡述了搭建標(biāo)簽體系的整體流程和相關(guān)經(jīng)典算法的展示與利弊分析，并且提供了標(biāo)簽學(xué)習(xí)機制的思路。下面，將進行用戶模型的體系搭建，詳見明日發(fā)布的中篇。

附錄1 常見機器學(xué)習(xí)方法算法

附錄2 提取百度百科標(biāo)簽建立關(guān)聯(lián)性思路

百度百科介紹

構(gòu)成百度百科的基礎(chǔ)內(nèi)容是詞條。一個詞條頁面大致可以分為百科名片、詞條正文、開放分類、相關(guān)詞條、參考資料和擴展閱讀這個幾個部分，根據(jù)每個詞條的具體情況，某些部分可以沒有。

其中，百科名片是詞條的概括性描述；詞條正文是可以由多個段落組成的對詞條的詳細描述；開放分類提供詞條的屬性標(biāo)簽，最多有5個，通常這種標(biāo)簽具有一定的類別信息；相關(guān)詞條是與當(dāng)前詞條聯(lián)系比較緊密的相關(guān)條目，而一般這種聯(lián)系必須是橫向的，例如“喬峰”的相關(guān)詞條可以是“段譽”、“阿朱”、“虛竹”等，但不可以是“天龍八部”。

盡管在百科的詞條頁面上，我們只能看到該詞條的開放分類標(biāo)簽；但實際上在百科內(nèi)部，有一個具有層次的三層分類體系。第一層具有十二個大類；每個大類下面又包含若干個中類，這就是第二層分類；每個中類下面又可細分為若干個小類。

生成方法

我們將百度百科三層分類體系第三層的小類別作為查詢，在百度百科中將搜索得到該類別下的詞條頁面。但是通過這種方式，對于每一個小類別，我們最多只能獲取760個相關(guān)的詞條頁面，而更多的實際上可以被劃分為該類別的詞條頁面，我們獲取不到。

我們搜索“技術(shù)_互聯(lián)網(wǎng)_電子商務(wù)”類別下的頁面，結(jié)果顯示共有詞條3469個，但是，我們遍歷搜索結(jié)果頁面，最多只能查看到760個詞條頁面。在該方法中，我們需要使用百度百科的三層分類體系例如“技術(shù)_互聯(lián)網(wǎng)_編程”、“生活_娛樂_影視”作為用戶的標(biāo)簽候選集合。因此，我們可利用的資源便是能夠獲取到的每個小類別下的最多760個詞條頁面。

我們通過分析用戶發(fā)布的微博，將其最感興趣的百科三層類別作為他的標(biāo)簽。方法的主要思想是：將用戶發(fā)布的每一條微博映射到最相關(guān)的百科詞條頁面，獲取其類別，通過一定的投票策略決策出用戶的標(biāo)簽。

下面，具體介紹一下方法中涉及的關(guān)鍵步驟。

百科頁面獲取與處理

我們按照百度百科提供的開放分類瀏覽頁面，爬取到所有第三層小類別的查詢URL，形如http://baike.baidu.com/taglist?tag=****，該URL指向的就是該類別標(biāo)簽的搜索頁面。我們通過解析該搜索頁面，下載得到百科開放的760 個相關(guān)的詞條頁面。獲取頁面后，并且按照第三層小類別分類存儲后，我們進行正文的提取。詞條頁面一共有兩種，一種是歧義頁面，即一個詞條包含多種義項，下圖所示：

一種是非歧義頁面。我們需要分別對其做處理：對于歧義頁面，將每一個義項單獨作為一個頁面提取出來。我們提取百科頁面的標(biāo)題、百科名片、正文、類別，進行分詞等處理后，建立索引，待后續(xù)使用。

搜索與微博相關(guān)的詞條頁面

給定一條微博，我們需要找到與其相似或者說相關(guān)的百科頁面，以獲取其類別。我們將這個問題轉(zhuǎn)換成為搜索問題。從微博中提煉出查詢，從索引過的百科頁面中搜索出最相關(guān)的。我們使用Indri 對詞條頁面建立索引。Indri 源自Lemur系統(tǒng)，是CMU和UMass 聯(lián)合推出的一個用于語言模型和信息檢索研究的系統(tǒng)。在這之上可以實現(xiàn)基于語言模型和傳統(tǒng)的向量空間模型等的檢索。Indri早已經(jīng)受到了學(xué)術(shù)界的廣泛歡迎。

我們將分別抽取微博中的名詞、名詞及形容詞的組合構(gòu)成帶有權(quán)重的查詢，其權(quán)重采用TFIDF 計算得到，構(gòu)造的查詢形如“#weight(0.45巨蟹座0.35性格0.20特點)”。用構(gòu)建的查詢，我們搜尋到與該查詢最相關(guān)的詞條頁面，并獲取其對應(yīng)的類別。

用戶標(biāo)簽生成

假定有m種具有三層分類的類別標(biāo)簽，我們將其作為用戶的候選標(biāo)簽集合，表示為C={}。

給定某個用戶u，抽取其發(fā)布的微博文本集合W={}，文本數(shù)目為n。我們分別對其構(gòu)造查詢，得到查詢集合Q={}。對每一個查詢q，我們獲取Top N個結(jié)果，作為該查詢相關(guān)的詞條頁面。因為每個詞條可能屬于若干個類別，因此我們得到的與該查詢（或者說其對應(yīng)的微博）關(guān)聯(lián)的類別可能不止N個。對關(guān)聯(lián)的類別中的每一個類別c，我們計算其分數(shù)，如公式。其中， freq(c)指c在該次查詢中出現(xiàn)的頻數(shù)，而d是我們設(shè)置的一個常數(shù)，例如，我們將其設(shè)置為1，則c的分數(shù)就是在該次查詢中出現(xiàn)的次數(shù)；若將d設(shè)置為該類別關(guān)聯(lián)的詞條頁面出現(xiàn)在Top N結(jié)果中的具體位置，則說明c的分數(shù)受到搜索結(jié)果排序的影響，排序越靠前的，對分數(shù)的貢獻越大。

整個查詢過程停止后，我們將對候選標(biāo)簽集合中的每一個標(biāo)簽c計算一個排序分數(shù)，可以利用這個算法，其中n 就是指查詢的次數(shù)。我們?nèi)∨判蚯?0 的作為為用戶自動生成的標(biāo)簽。

上篇，完。