网络客户推荐体系建设 第1篇
项目体系分为许多种，有商品、用户、内容、广告等，本文仅以内容作为搭建思路叙述。
内容向量通常存在维数大的问题，即使去掉低频词和高报词等停用词后，仍然会有数万维的特征留下。为了提高机器学习的效率和精度，有必要降低文本向量的维数。特征选择是内容降维的有效方法。
具体做法是构造一个评估函数对特征向量中的所有特征逐一评分，选取分值高于设定阑值的特征。常用的评估函数有：文档频数、词频函数、TIFDF、期望交叉摘、CHI、信息增益、互信息等。虽然实验表明IG和CHI等基于信息熵的方法的可以取得较好的特征选择效果，但是计算费用高，系统开销大，使用起来浪费时间和资源。因此实际应用中，计算量较小、评估效果较好的TIFDF方法是非常可取的。
并且内容不仅是文字，仍会有图片、视频、语音等，对于这三者，因为维度完全不同，所以使用手段与方法也完全不同。
将二维平面降维手段仍是标签，一般称为图片标注；标注方法可以简单分为基于模型学习的方法和基于实例检索的方法。
基于模型学习的方法具有较高的标注性能，但是模型训练的计算复杂性较高，不具备实战意义。基于实例检索的方法将图像标注问题看作图像检索问题，是基于数据驱动的模型方法。所以一般选择后者，其中算法也是层出不穷；提升准确性和过滤垃圾标签是共同目标，需要择优选择，方法和技术已经同样有许多种，不多做赘述。
常见音频一般以脱口秀、音乐为主，其中标题提供的信息标签权重会非常大，但仍是有限的。所以对于脱口秀，衍生出了语音识别技术：将语音转化为文字信息进行标记。对于音乐，我们只能从其它手段进行补充。比如波形识别，一般音乐含有曲风、风格等属性，利用音频的波形识别技术可顺利获取相关标签。
评论虽然是文字类型，但是由于评论都不可能过长，所以问题就会出现语义不完全，严重的数据稀疏问题。这里非常像微博，微博只有140个字，相对较少。所以针对微博的这种情况，也有许多新技术来进行改进。例如：通过拓展微博文本的特征，通过分析微博数据中的某些现象或特性等手段来改善数据稀疏问题；所以充分借鉴在微博领域中的研究成果利用，结合实际使用。
对于以上载体，不可避免的都会有垃圾标签的出现，不管是主动还是被动，所谓主动是由于识别率或技术局限性等问题，导致的垃圾标签的产生，对于被动更多的场景比如说是图片的水印，视频的广告或是由于恶意攻击、恶意添加等行为的产生，那么对于垃圾标签同样有许多手段进行相关抵御：
对于内容标签，综上有许多种方法，但是还有一条标签线是载体标签。所谓载体，纯文字、纯视频、纯图片相册、图文、视频文字、视频图片文字，主流常见的只有这三种。需要详细的进行展示，例如文字以千字为一档进行划分，比如1000字以下、1001-2000字等，图片以十张图为一档，视频以一分钟为一档，可以辅助我们进行内容效果评估。并且进一步结合用户实际场景，实际情况来进行推荐提供了又一维度。
所以最终输出应为内容类型、内容载体、内容分类以及内容适配场景，最终计算内容的核心亮点，以供于贴合用户群，结合用户动机，实现用户这次想看什么内容的需求供给，达到转化率最大化的目的。
本节阐述了对于内容标签的搭建体系，针对不同的元素有不同的获取方式，其中对于垃圾标签的抵御也阐述相关手段和方法，最终的展现上仍要求可视化，对于了解某种内容的详细受众用户群，是有极大好处的，下一节将会阐述推荐流程中的核心流程，推荐环节。
网络客户推荐体系建设 第2篇
首先应该先确定用户动机，因为从用户的根本动机，我们才好做相应的推荐处理。
那么我们应该如何获取用户动机？只有一种方法，就是通过用户行为。所以我们应该优先建立用户行为体系，依据用户行为，分析用户动机；不管是主动动机还是被动动机，之后提取这些动机特征，结合用户物理属性，再进行后处理。再有要将特征值加以过滤，分配权重，结合衰减因子进行最终输出。最终输出的结果应该分为基本属性、用户兴趣、用户关系及用户行为，结合所有综合分析用户动机，在适时的时候推荐合适的内容从而形成推荐最佳化的最终目的，让用户最小成本的获取信息。
所以在分析的时候，依据用户动机分析，推断我们应该注意的哪些环节点的哪些事情。
在建立行为体系之前，一定要介绍动机和行为的关系。而又不得不介绍行为科学界一直以来的一个经典理论：“使用与满足”理论，该理论是1974年E·卡茨在其著作《个人对大众传播的使用》中被首先提出。
使用与满足理论是站在受众的立场上，通过分析受众对媒介的使用动机和获得需求满足来考察大众传播给人类带来的心理和行为上的效用。但同传统的讯息如何作用受众的思路不同：它强调受众的作用，突出受众的地位。该理论认为受众通过对媒介的积极使用，从而制约着媒介传播的过程，并指出使用媒介完全基于个人的需求和愿望。
E·卡茨将媒介接触行为概括为一个“社会因素+心理因素→媒介期待→媒介接触→需求满足”的因果连锁过程，提出了“使用与满足”过程的基本模式。经后人的补充和发展，综合提出“使用与满足”的过程：
人们接触使用传媒的目的都是为了满足自己的需要这种需求和社会因素、个人的心理因素有关。人们接触和使用传媒的两个条件：接触媒介的可能性；媒介印象即受众对媒介满足需求的评价，这种媒介印象或成为评价是在过去媒介接触使用经验基础上形成的。受众选择特定的媒介和内容并开始使用。接触使用后的结果有两种：一种是满足需求，一种是未满足。无论满足与否，都将影响到以后的媒介选择使用行为，人们根据满足结果来修正既有的媒介印象，不同程度上改变着对媒介的期待。总结了使用与满足理论的要素，包括：
受众是主动的，对于大众媒介的使用是有目标的。受众需要的满足和对媒介的选择间的联系中，受众拥有主动权。媒介相互竞争以满足受众需要。所以最终映射到网络，不难分析出用户使用网络一般是是为了：（1）人际交往；（2）打发时间；（3）搜寻信息；（4）方便快速；（5）信息分享；（6）自我表达；（7）娱乐放松。
社会心理学的理性行为理论和建立在该理论基础上的技术接受模型（Technology Acceptance Model，简称TAM）最早探究了哪些因素对人们有意识的行为产生影响。_年，Davis在理性行为理论的基础上，针对技术接受和使用行为提出了技术接受模型：
TAM认为系统使用行为是由行为意向决定的，而行为意向由想用的态度和感知的有用性共同决定，想用的态度由感知的有用性和感知易用性共同决定，感知的有用性是由感知的易用性和外部变量共同决定，感知的易用性由外部变量决定的。
外部变量包括系统设计特征、用户特征(包括感知形式和其他个性特征)等，为技术接受模型中存在的内部信念、态度、意向和不同的个人之间的差异、环境约束、可控制的干扰因素之间建立起一种联系。
理论介绍完毕，也应该从理论切入分析当前最厉害的内容推荐平台，也就是不得不提的今日头条了。那么从有限的研究论述当中，可以从已经成功的产品中获取到用户使用头条产品的相关动机大致是什么，以指导我们日后的产品方向。
头条相关的研究论文里的方法，也注明与附录3中，以供查看，下面将直接节选结论部分，以供参考。
今日头条流行的主要原因是抓住了受众对个性化需求的心理。对用户需求的研究结果表明，“个性化推荐”（）、“更新速度快”（60%）、“推送内容多（）是用户最为强烈的三种动机。
个性化主要体现在三个方面：
根据《今日头条年度数据报告》，衡量读者阅读习惯的有两个指标：第一个是平均停留时长，第二个是跳出率。1000字的文章跳出率是，平均停留时长是秒。4000字的文章则刚好相反，跳出率高达，超过一半以上的人打开一篇文章发现太长后会选择跳出。可见1000字以内的文章的传播率会更高。
同时，头条还加入视频新闻；但并未像搜狐或是新浪客户端那样做成一个单独的功能，而是将其嵌入频道中。视频内容长度在1分钟以内，以减少流量的消耗，主要以轻松、搞笑的内容为主。
所以结合研究结论不难看出，头条用户的最大使用动机仍是精准的个性化推荐，也就是仍需要以精准的推荐为吸引用户打开的核心来源。
由上图可知，我们应该依据已经成熟的用户行为，推断用户的动机因子，再推断至心里因素。实际来说是用户其实已经是带动机才打开APP，先依据有限的数据进行分析推荐，等有相关的行为之后，反推回去用户的动机，根据用户动机调整推荐内容，达到核心目的。
这么做的好处是什么呢？头条类产品全都是依托于用户行为，进行调整，但是用户行为实际是不准确的。心情好与不好看的内容，操作的流程细节，很可能都不一样；如果一味的只记录行为，只会不准确偏离。所以当我们记录了用户在任何情况之下的行为之后，反推回用户动机，进一步推回用户心里因素，依据心里结合喜好和行为，完成完美推荐。
前文理论中同样表明，是社会因素与心里因素决定动机，所以当行为习惯模型建立，社会因素已经量化的时候，只有心理因素是变量，那么我们也能分析出不同的心理因素，依据不同心理因素改变本次的推荐内容，我想应该会大大提升转化率，并且可能是目前头条产品所不具备的一个点。
结合常规的用户画像的相关属性，我们可以看到如下图（增加了购买）：
所以两者，也就可以合并成为两条大的脉络，一条是实际，一条是内心，而我们是要依据实际行为猜测内心。两张图结合，将会无比清晰的阐述用户脉络和之间的关系：
用户的浏览行为反映了用户的兴趣，两者之间的关系具有如下特点：
一般情况下，动机拆分为媒介、社交和体验需求，分别代表的可能原因有：
体验需求一般有：个性化推荐精准、智能搜索快速全面、操作方便、离线下载。依据两种形式，主动行为和被动行为进行分类，主动行为就是用户主动自然操作，被动行为也就是APP人为增加拦截、问题、问卷等收集，所以整理一下我们通过不同动作需要收集的相关动作应该是，主动行为：
媒介：PUSH消息、打开时间；
网络客户推荐体系建设 第3篇
随着信息技术的迅速发展和信息内容的日益增长，“信息过载”问题愈来愈严重，愈发带来很大的信息负担。推荐系统可以有效缓解此难题，从而得到推崇并加以广泛应用。简单来说：推荐系统是通过挖掘用户与项目之间的二元关系，帮助用户从大量数据中发现其可能感兴趣的项目如网页、服务、商品、人等，并生成个性化推荐以满足个性化需求。目前市场上对于电子商务的推荐系统有亚马逊、阿里巴巴、豆瓣网、当当网等，信息检索的有谷歌、雅虎、百度等，以及在其它周边领域广泛运用如移动应用、电子旅游、互联网广告等。本文只阐述网页内容，特制新闻方面的项目体系搭建。
研究者认为根据施拉姆信息选择公式，人们对媒体的注意或选择的可能性（然率）与它能够提供的报偿（价值）程度成正比，与人们获得它的代价（费力）程度成反比。也就是说：人们愿意用最小的代价获取价值最大的新闻信息。由此，媒体要从认知接收方面，减轻受众的“费力”程度，提升信息或传媒的价值，树立品牌意识，形成规模效应；拥有与众不同的品味和特色，将自己在受众眼中的“可读”形象转变成“必读”形象，从而使用户对媒介产品形成强烈的信赖感和依赖感，在受众心中形成稳定的独特风格。
下图是一般情况下的推荐系统基本框架（图片取自网络）：
从最初的数据收集，到最末端的展示阶段，中间还经过数据处理以及生成环节，处理大多数所指提取特征初处理，生成一般是指利用特征来选取相应算法进行匹配计算。数据的整个生命周期如下：
也就是从数据获取，一直到最后的加工输出，经历的整个环节，最终给我们提供相应的有效信息，采取相应的有效手段，才是数据价值的最终体现。在正式开始前，对于数据收集的要求也是很高，如果数据不准确或有偏差，很可能之后做的都是徒劳无功，下表为目前常见的数据收集时常见的问题：
对于新闻内容的推荐系统，让人们最顺畅获取到人们想看到的内容，从而形成核心竞争力。推荐系统的常规推荐系统，一共分为两条线，第一条线是用户，第二条线是项目，计算两者间的相关近似值，从而完成推荐。计算近似值一定有所媒介，这个媒介就是标签（Tag）系统，所以在建设整个体系之前，最优先需要建设的就是标签系统，其次是用户体系，也就是用户模型，我们在感知用户唯一的途径就是通过用户操作，换言之既用户行为，所以相对用户行为微妙的变化，要求我们的用户体系是十分敏感的，而最后是项目体系，这里特指新闻内容。
下面将从产品层面尽量描述如何搭建推荐体系相关流程及细节，整体搭建思路流程如下：
整体相对比较复杂，下面将逐一阐述其中细节。
网络客户推荐体系建设 第4篇
《zouxy09》——部分机器学习资料来源；《LeftNotEasy – Wangda Tan》——同上；《深入探讨 | 其实你并不懂产品标签机制》——标签部分部分思路来源；《浅谈矩阵分解在推荐系统中的应用》——向量拆解部分知识来源；《网易云音乐的歌单推荐算法是怎样的？》——当前主流推荐算法来源；《百分点研发总监苏海波：大数据用户画像的方法及营销实践》——用户画像部分价值；省略一百余篇推荐、算法、心理学、行为学专业论文，实在太多，不便复制上来，表示统一感谢。
网络客户推荐体系建设 第5篇
目前采用的用户模型更新技术主要可以分成三类：一类是从用户反馈中抽取新信息添加到用户模型中的信息增补技术；一类是根据生态系统的优胜劣汰法则来优化用户模型的自然进化技术；还有一类是通过调整网络连接权重来自适应更新的神经网络技术。
这是目前为止使用最多的一类用户模型更新技术。它又包括了直接的信息增补以及涉及权重调整的信息增补两种类型。前者将获取的用户对推荐的反馈信息直接添加到用户模型中，典型系统如GroupLens、Ringo、VideoRecommender、PC Findert、WEBSELL等。这种更新只是简单地添加了新信息，并没有删除或削减无效旧信息在用户模型中的作用，因此很可能导致推荐阶段假阳性错误的出现，即将用户不喜欢的项目推荐给了用户。
而且随时间的推移，模型规模不断扩大，这带来了存储空间占用和模型维护问题。相比之下，采用后者作为更新技术的系统，如LetiziatL、Personal Web Watcher、Webmate、Krakatoa Chronicle和WebCobral ，不仅将用户新的反馈信息(如新关键词)增加到用户模型中，而且还会调整用户模型中新、旧信息的权重，使反映用户最新偏好的新信息在推荐中起到更为重要的作用，同时无效的旧信息将随其权重的不断减小而最终从模型中被删除。因此，含权重调整的信息增补技术从一定程度上缓解了直接信息填补存在的问题，但这类技术的性能很容易受到新信息选择方法和被增加的新信息数量的影响。
遗传算法是一种基于自然选择和遗传机理的迭代搜索优化技术，由适应度函数、染色体种群以及选择、交叉和变异三个主要操作算子组成。每一代种群包含了若干个个体（被称为染色体）。依据每个个体的适应度函数值，种群经过选择，交叉和变异操作一代代向更优良、更适应环境的方向进化，从而逐渐逼近最优解。使用遗传算法作为模型更新技术的系统。
通常将用户模型编码成一个染色体并随机产生其他染色体作为初始种群。当初始种群进化迭代到满足终止条件时，解码适应度最高的染色体来取代系统目前的刚户模型即可实现更新。还有一部分系统也使用遗传算法作为模型的更新机制，但这部分系统通过对信息收集代理而不是用户模型本身的优胜劣汰来间接实现模型更新。当用户兴趣发生变化时，通过遗传进化，低性能的旧代理被消除，能直接满足用户新必趣或对用户及其他代理有用的代理得到繁衍。
基于遗传算法的更新技术从多个初始点(群体)而不是单点出发持续搜索可能的用户模型构成空间，因此是一种高效且能够最优化用户模型的更新算法。但是基于遗传算法的更新技术，其适应度函数和染色体编码方法要求针对每个问题专门设计。
神经网络是一种自适应的更新技术。当用户偏好随时问发生变化时，神经网络将自适应地调整网络连接权重，更新网络输出的识别结果来跟踪这种变化。有的更新只在原有类别的基础上对新旧偏好信息进行分类调整，有的则建立新的识别类，并剪除代表过时知识的识别类来对应于用户新兴趣的兴起和旧兴趣的衰亡。在这种情况下，神经网络的网络结构发生了变化，网络可能需要被重新训练来识别和记忆变化后的用户偏好。由于神经网络的更新依赖于前期神经网络的学习，因此通常只有以神经网络作为学习技术的系统才会用其作为更新技术。
与模型学习技术相比，用户模型更新技术更关牲just-in-time型的学习而不是模型的建立和执行，因此算法需要具有更强的学习效率和对动态变化的适应能力。但是也有相应问题，目前的模型更新技术通常只按照固定频率对模型进行更新，这使得系统无法及时跟踪和捕捉用户兴趣的变化，从而造成了推荐结果和用户实际兴趣的差异。
本节阐述评估体系的建立，列举相关维度和相关动作等，并且列举相关的修正手段和简单介绍，以供在长期不断修正模型和算法，达到更好的效果，更全面优质的服务用户。
网络客户推荐体系建设 第6篇
很明显，推荐方法和推荐算法是整个推荐系统中最核心、最关键的部分，很大程度上决定了推荐系统性能的优劣。目前，主要的推荐方法包括：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐。详细的方法介绍也放置在附录4当中以供参考，下面梳理出各方法的优劣：
在除去场景外，也要结合性能因素来进行考量，不同数据量级的情况下不同方法配合不同算法产生的性能压力也是不同的，需要结合公司自身承受情况进行选择。可以看出，以上方法均有不同程度的优势和劣势，所以目前主流推荐方法也几乎均采用混合推荐的方法，利用两种或多种方法之间的优势，规避劣势从而达成尽量完美的方法，这其中也一定是基于不同的使用场景和产品具体情况具体分析了。
这是整个推荐系统的核心区域，之前做的许多的工作其实都是在给推荐算法提供所谓的相关系数条件，当系数越多的时候，计算出的结果一定是更准确的。
从数学角度来说是计算用户与内容之间的相似度和距离，相似度越高，距离越近的，自然越容易达成转化，所以常见算法也就是向量里面的夹角余弦算法、皮尔逊系数，从距离来说会有欧几里得空间距离算法、曼哈顿距离算法等等，包括还有许多新进研究的算法例如基于图摘要和内容相似混合聚类的推荐算法GCCR。
简单介绍下GCCR，该算法可以极端稀疏的数据集上具有较高的准确度，同时在冷启动的场景下能够提供多样性的推荐结果，从而避免推荐结果收敛过快的问题。
首先，选取用户节点中关注数量较高的节点，从而抽取出稀疏数据中的一个密集子集，利用图摘要的方法，对此密集子集形成关注兴趣相似的核心聚类。
然后，提取种子聚类的内容特征和整个数据集中其它用户的内容特征，基于内容相似度对整个用户群进行聚类，最后将聚类结果用于主题推荐。通过对密集数据子集和全数据集的两阶段聚类过程，提高对极端稀疏数据集的聚类效果。同时，由于图摘要聚类中的类模糊性，可以在对用户兴趣聚类的过程中保留一定的多样性，从而避免冷启动时收敛过快。
所以当前算法非常的多，结合不同场景和产品选择最优算法，才是最好的，在附录5当中也列举了常规的一些距离算法以供参考。
当运用于实际情况时，一定要结合产品自身情况考量，例如产品冷启动期间数据过少，用哪种方法，在数据量级充分上来的时候，减轻计算压力应该用哪种，长期需要修正的时候需要用哪种，都是需要我们综合考量的，下面也将自己梳理的整体推荐思路进行分享。
千人一面
在产品上线初期，无论使用人数，还是内容，都相对较少，还未有足够数据支撑用户相关行为以及趋势，所以在此阶段，以收集用户行为、属性为最高目的，先达成最粗略的推荐行为，也就是判断哪些用户是疑似某一细化方向的目标用户，仅此即可。应该分为两个方向来考虑这个问题，新用户和老用户，对于新用户只能从环境熟悉和可能的物理属性进行判断，老用户可以全方位多维度判断，详见第二章，这里不多做叙述。
网络客户推荐体系建设 第7篇
要做标签体系，我们要先确定的就是系统结构，常规来看一般都是讲标签随内容或用户建设（但是我觉得那样是不完整的，在之后获取不到更加有效有帮助的信息，这也就是为什么我认为一定要将标签体系一定要单独拎出来的原因）。在确定系统结构之后，我们要进行相关的算法选择，并且大致选定学习的范围和地点，以供机器学习，至此整个标签体系的搭建流程就此完毕。随着不断的内容填充进来，要有相应的标签不断补充进来。这是一个长期的过程，并且也需要及时依据用户反馈修正算法，实时调整，并非一日之功。
常规网络的标签是随用户和内容添加的，但是会有局限性，也就是标签体系较难或无法透彻追查其它相关联内容。实际上标签体系的核心价值，体现在相应建立起信息和人、人与人之间的关联。所以我在思考：如何能够进行最深入的追查最深处的关联？有一个常规方案就是单独建立标签体系，将标签平铺于系统中，也就是二维化。通过机器学习，建立标签的基本联系网络，之后贴合于用户与内容中即可。无立体结构的上下层级展示，好处是可以避免了一维化的后果。换句话说如果有层级，那么不可避免的就会变成一级、二级。
简单来说：与某标签周遭相关联的一切标签均展示；那周遭的标签还会又有标签，再展示；也就变成无穷尽的立体结构化的标签网络，也就是价值基础。最终价值的输出还要结合其它的相关行为、操作、用户物理属性、内容载体以及效果评定等因素综合考量。
常规机器训练流程是：先确定方法→训练集→特征选取→训练→分类器；分类：新样本→特征选取→分类→判决。
所以最开始我们就要确定机器学习的方法。方法有许多种，需要具体根据情况来具体确定。下面仅以产品角度罗列常见经典的机器学习方法、特点、利弊等。以供数据工程师进行选择、对比，辅助做出最优选择，以供参考。
方法当中，首先分为两个大类别：监督学习和非监督学习。监督学习又称为分类或者归纳学习。几乎适用于所有领域，包括内容处理。常见算法有决策树、贝叶斯模型、KNN、SVM等。
与这一方式相对的是非监督学习，在这种方式中，所有的类属性都是未知的，从零开始摸索，算法需要根据数据集的特征自动产生类属性。其中算法中用于进行学习的数据集叫做训练数据集：当使用学习算法用训练数据集学习得到一个模型以后，我们使用测试数据集来评测这个模型的精准度。常见的有聚类、特征矩阵。下表为常规推荐算法的分类，一共是三类：分类算法、关联规则和聚类，依据不同场景选择不同算法进行调整即可。表格后面列出最常用算法的利弊以及用人话描述的算法原理，以供产品同事参考。
对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率；哪个最大，就认为此待分类项属于哪个类别。非常好理解，单纯的概率问题。
优点：算法十分稳定，并且对数据参数无要求；运用较为简单。
缺点：在属性个数比较多或者属性之间相关性较大时效率不理想，并且重前期数据格式，需要知道先验概率，存在一定错误率。但是结合聚类算法，可以一定程度解决属性个数问题。
使用场景：常见于垃圾邮件分类场景。
哈利波特中的分院帽应用的是个非常典型的决策树模型：帽子往学生头上一扣，读取学生的显著特征，然后分到某个类别里。所以你看，哈利波特一开始表现出来的特征都是格兰芬多的特征，分院帽读取数据时候发现这个人有两类显著特征，于是犹豫不决，最后还是波特自己提出了要求，这就证明应用模型时的人工干预必不可少。
优点：决策树较为通俗易懂，并且对数据格式不敏感，较为聪明；易于通过静态测试测量模型可信度，善于短时间处理大量数据源，对属性数量兼容性好，有很好的扩展性。
缺点：对样本数量不一致的数据，结果有偏向，处理缺失数据时候会有困难，并且有过度拟合现象，容易忽略数据集中属性之间的相关性。
使用场景：可结合随机森林算法，减少相应过度拟合现象。常见于用户行为分析场景。
说白了就是我们要寻找邻居，但是为什么要寻找邻居？如何选取邻居，选取多少邻居？怎么样去寻找我们想要的邻居，以及如何利用邻居来解决分类问题这是KNN算法需要解决的几大问题。
为什么我们要寻找邻居？古话说的好：人以类聚，物以群分。要想知道一个人怎么样，去看看他的朋友就知道了。我们如果要判断一个样本点的类别，去看看和它相似的样本点的类别就行了。
优点：该算法简单有效，重新训练代价较低，对于类域有较差或重叠较多的样本较为适合。同样适用于样本量较大的情况。
缺点：样本量较小时反而有误差。而且该算法是懒散学习方法，不主动，类别评分不规格且输出可解释性不高。当样本量不平衡时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数，并且计算量较大。可以采用权值的方法，和该样本距离小的邻居权值大，来改进问题，对于计算量较大，可以事先对已知样本点进行剪辑，去除对分类作用不大的样本来优化。
使用场景：常见于预测价格场景。
说到这个算法之前，先得配一张图：
这图啥意思呢？不用管。但是这两种分法哪种更好呢？从直观上来说，显然右侧好。也就是分割的间隙越大越好，把两个类别的点分得越开越好。就像我们平时判断一个人是男还是女，就是很难出现分错的情况，这就是男、女两个类别之间的间隙非常的大导致的，让我们可以更准确的进行分类。从实践的角度来说，这样的效果非常好，错误率低。
优点：该算法适用于样本量较小的情况，可提高泛化性能，可解决高维度问题。并且对线性和非线性问题均可解决，可避免神经网络结构选择和局部极小点问题。
缺点：对缺失数据较敏感，对非线性问题没有通用解决方案，需要选择核函数来处理，算法使用并且极其复杂。
使用场景：常见于社交网站用户分类场景。
这个算法说实话我也解释不清，没真正运用过，凭自己查资料的理解试着说一下。这个算法核心的思想是整合多个弱分类器，成为一个强大的分类器。这时候，集合分类器出现了。用人话说就是三个臭皮匠赛过诸葛亮，好理解了吧？识别一组条件特征概念判断的正确率比随机猜测略好，但是还不够，这就是弱分类器；多个弱分类器的效果叠加起来，就变成一个强分类器，识别率就会很高了。
优点：该算法精度较高，可用任意方法构建子分类器；使用简单分类器时结果容易理解，且弱分类器构造极其简单，而且不用做特征筛选，不用担心过度拟合情况。
缺点：对离群值比较敏感。
使用场景：常见于人脸检测、目标识别场景。
给你一万个人，分成四群，需要能够解释每一群人的突出特征，如果有两群人的特征很相似，那就要重新分群了；或者有一群人的特征不明显，那就要增加分群了。好处在于样本量大的时候，可以快速分群，但需要在分群后注意每个群体的可解释性。
优点：这个算法属于经典算法，简单快速，对处理大数据集可伸缩，高效。并且在簇密集度高、球状或团状时，且有明显于其他簇区别时，聚类效果好。
缺点：但是只有簇平均值被定义情况下才能使用，且对分类属性数据不适用，并且要求用户必须事先给出要生成的簇的数目。对初始值敏感，不适合发现非凸面形状的簇，或者大小差别很大的簇。对噪声和孤立数据敏感，少量该类数据能直接影响平均值。
使用场景：常见于CRM筛选目标客户场景。
这个算法不想解释啥，就想放张图，觉得不放可惜了。
以上摘要从产品角度来说只要大概心里有数即可，一般情况下从产品数据、应用场景等决定。
一般来看，冷启动期间应选择非监督学习，如聚类；等数据丰富之后，转换为监督学习，择优选择算法方可；但仍需具体问题具体分析。更多的还是配合技术、算法人员来选择和实现，详细算法和原理、公式等可以到后面附录1进行查看，给予参考。
这里我建议从百科类产品进行机器学习，国内最大的百科就是百度百科了，在国际上自然还有维基百科。
查了一些相关方法，发现从百度百科利用机器学习标签，已经有相应的案例并且成本相对不是很大，具体的方法也放在后文中的附录2中。
文中探究的是微博标签相关的项目，与本文无关，但整体思路可借鉴。大致流程为先抓取页面下相关标签内容，要注意特殊情况，会有歧义页面；将标签抓取存储之后通过算法计算之间的关联性、权重分数，而后输出验证。整体的过程非常简单快捷，能在前期非常快速的补充相关数据，但是要注意数据量的问题，很可能导致无穷，所以收集哪些主要领域，收集多少，是需要我们最开始定义好的，及时踩刹车。
网络客户推荐体系建设 第8篇
整篇文章阐述了搭建推荐体系的全流程，从思路表述、标签体系、用户体系、项目体系、推荐环节和评估体系的建立和相关细节及当前的模式，技术手段等。尽量完整和周密的阐述了全部流程以供梳理和参考，在正文后还有附录部分，阐述详细的算法和摘录的相关方法以共参考。
凯文凯利在《失控》一书中提出“共同进化”的观点：
进化就是不断适应环境以满足自身的需求。共同进化是更全面的进化观点，就是不断适应环境以满足彼此的需求。媒介通过竞争不断进化适应环境，同时也提供了更好的服务更多的选择给用户，满足了用户日益增长的需求。在当前，即使使用推荐系统，也并没有根本上解决人们如何有效获得信息的难题。所以仍可以尝试探索更加智能的信息获取模式，以及更加自然的人机交互接口。
犹如“大白”一样的贴心，处处想在用户前面，在合适的时候将想看的信息展示出来，随情绪而变，毕竟人类心理活动是十分微妙的，尽量通过规律摸清人类的喜好迁移，洞察微妙的行为变化，是未来努力的方向。
网络客户推荐体系建设 第9篇
“今日头条”用户的年龄，性别等人口统计特征和用户媒介偏好，自变量为“今日头条”用户的使用动机，中介变量为“今日头条”用户的使用态度，因变量为“今日头条”用户的使用行为。本研究的主要研究方向是利用使用态度这个中介变量研究使用动机（需求）对使用行为的影响。
控制变量主要包括性别、年龄、教育程度、职业等人口统计学特征。
根据“使用与满足”理论，用户是被看作有特定“需求”的个人，而他们接触媒介的活动被看作是基于某种特定的需求动机来“使用媒介”，最终使这些需求得到满足的过程。而这种特定的需求的产生，主要有两个方面：一个是社会因素，另一个是个人心理因素。本研究从个人因素和社会因素出发，兼顾“今日头条”的用户体验（易用性、有用性）等方面，总结了用户使用“今日头条”的若干动机。本调查将用户使用今日头条的需求分为三个维度：媒介需求，社交需求，体验需求。
本研究以用户对“今日头条”的使用态度（满意度）为中介变量。在理性行为理论和技术接受模型（TAM）中，中介变量包括两个方面：使用态度和行为意向。使用态度包含个人对某种使用行为所持的正面或负面的看法；行为意向反映个人从事某项行为的意愿。但在社会心理学中，“态度”界定为个体对事物的反应方式，已经涵盖了行为意向的层面，通常体现在个体的信念，感觉或者行为倾向中。可见，“态度”已经涵盖了行为意向层面。所以本研究只以使用态度为中介变量，这里的“使用态度”是用户根据对“今日头条”的认知和使用经历对“今日头条”持有的正面或负面的看法。
因变量是“今日头条”用户的“使用行为”。这里的行为包括使用时长、使用频率、使用时间等问题。
通过以下统计方法进行描述和分析：
整体来说用户使用今日头条动机为新闻推送的实时性，时效性，把握了当下的“短平快”的碎片化阅读趋势，信息类型以短消息、图片、视频为主。
从个人心理因素的角度来看，今日头条流行的主要原因是抓住了受众对个性化需求的心理。对用户需求的研究结果表明，“个性化推荐”（）、“更新速度快”（60%）、“推送内容多（）是用户最为强烈的三种动机。而“互动性强，评论转发收藏活跃”“操作方便阅读舒适”“离线下载，节省流量”占比较少，说明大部分用户不倾向于同意这是他们使用“今日头条”的动机。
这个结论也与“今日头条”的“个性化新闻推荐”的宣传理念和定位相符合。“今日头条”与其他新闻客户端相比，最大的优势就是它能够精确分析用户的阅读兴趣，并针对用户兴趣和需求对内容做更精细的传播，进行个性化推荐新闻。本研究结果也正说明，用户是基于个性化、实时性等方面的需求而选择“今日头条”。
本研究对“今日头条”用户的使用态度进行了均值比较。用户对“今日头条”积极态度的认同度均值为 。从数据中看，“今日头条”的“更新速度快”“推送内容丰富”和“操作方便，阅读舒适”三项特性是最被用户所认可的。其中，“更新速度快”为全表最高均值项 分，证明“今日头条”注重新闻时效性，满足了用户第一时间看到新闻事件的需求。作为用户使用动机最强烈“个性化推荐精准”的均值仅为 ，低于 的水平分，可见用户对“个性化推荐精准”的认同度不高。而此项也与动机的考察结果并不一致。
因为个性化推荐存在冷启动的弊端，即新用户刚开始没有可以利用的行为信息，无法了解用户的特点和需求，很难给出精确的推荐。所以不排除是用户在使用初期个性化推荐并不精准，但随着使用时间增加，系统有了用户的行为数据，个性化推荐会越来越精准的假设。
为了验证这个假设，本研究设计了使用态度与使用时间的交叉分析，探究是否随着使用时间的增加，对个性化推荐的满意度会有所提高。根据实验数据，使用今日头条一周以内的用户，对“个性化推荐精确”的满意度均值为，使用三到六个月的用户满意度均值为，而使用一年以上的用户满意度均值为 ，满意度均值随着使用时间的增长而整体呈上升趋势。可见，使用时间越长，用户对“个性化推荐精准”的满意度越高。而且不只是“个性化推荐精准”这一项，“智能搜索快速全面”“操作方便，阅读舒适”两项都存在随着使用时间的增长，用户满意度增长的现象， 用户对“今日头条”消极态度的认同度为。其中，“推广、广告太多”“标题党现象严重”“推送内容同质化严重，信息渠道变窄”三项是最被用户所认同的。用户最不认同的三项分别是“图片过于血腥”“吐槽言辞过于激烈”“栏目划分缺乏个性”都低于 的平均水平。可见，“今日头条”在监管黄色、暴力、血腥新闻方面卓有成效。
其中“推广、广告太多”为全表最高均值，可见用户对“今日头条”的“推广、广告太多”感受颇为明显。根据笔者亲身试验，在“今日头条”的信息流中每六七条新闻中会参杂一条广告，感受还是比较强烈的。
同样，本研究也将消极态度与使用时间做了交叉分析。分析得出对“推广、广告太多”的认同度均值均随着使用时间的增长而整体呈下降趋势。可见，使用时间越长，越不觉得推广、广告太多。不排除是个性化推荐了解用户所需，调整了广告数量。不只是“推广、广告太多”这一项，其余“标题党现象严重”
“推送内容同质化严重，信息渠道变窄”“栏目划分缺乏个性”“吐槽言辞过于激烈”“订阅内容更新不及时”“图片过于血腥”都存在随着使用时间的增长，用户的认同度整体下降的趋势。