编辑导语：智能推荐算法的目的就在于实现个性化推荐，根据用户兴趣和行为特点，向用户推荐所需的信息或商品，帮助用户在过载信息中快速发现真正所需的商品，提高用户黏性；本文作者分享了关于智慧推荐算法的分析，我们一起来了解一下。

最近接到一个任务，是一个教育类App上的智慧推荐版块，要针对用户的购买习惯推荐相应的可购买内容，千人千面的满足客户的个性化需求，提高商品的点击量和购买量。

一、业务逻辑及适用机制

客户需求具体如下：

• 展览服务：结合以用户的年龄、兴趣、过往观展记录生成的用户画像，以及展方主推内容，为用户智能推荐展出内容，加强用户体验。

• 比赛服务：根据用户以往参赛、订阅记录，以及系统中的参赛选手档案信息，智能推荐比赛内容。

• 演出服务：根据用户购票、退票、观演历史和用户演出评价记录，智能推送用户可能感兴趣的演出。

可以看出，此处智慧推荐的用户个性化需求十分强烈，预设了用户比较倾心于他以前购买过的相同类型的物品。

目前，市面上商用的主流推荐算法大致可分为如下几类：

• 基于内容相似度的推荐；

• 基于用户相似度的协同过滤；

• 基于物品相似度的协同过滤；

• 基于流行度的推荐算法；

• 基于模型的推荐（输入一些用户特征建立模型，进而产生推荐结果）；

• 人工推荐（人工运营添加推荐条目）。

本项目非常符合基于物品相似度的协同过滤算法的使用场景。

二、算法的特点

基于物品相似度的协同过滤算法的适用场景有如下特征：

长尾物品丰富，用户个性化需求强烈的领域；长尾效应很好理解，举个例子，最主流、最热门的书籍总是占据书店最显眼的位置，而相同类型的冷门书籍摆上货架的可能性就小得多，哪怕这些冷门书确实还是有市场需求的。那用户购买过某热门书籍，那我把相同类型但卖的不那么好的书推荐给老用户，这是非常合理的吧？而每个人所看的书籍类型千差万别，我告诉你有某个你不认识的人也爱看某本书，你恐怕也不一定愿意买吧。

物品数远小于用户数的场合；物品数据相对用户数据本身就更为稳定，再者物品数据的样本量小，此时计算物品的相似度不但计算量较小，也不必频繁更新，程序压力小。

因此该算法往往应用在图书、电子商务、教育及电影网站，这些领域均符合以上两点特征。

基于物品相似度的协同过滤算法，其关注点在于维系用户的历史兴趣，而其交互特点在于推荐结果的实时变化。其优缺点如下：

• 缺点：存在App冷启动的问题，即App刚开始使用时用户数少，内容也少，未形成用户喜好池；对于本项目来说，也即是在缺少用户的历史记录，无法据此推荐内容的情况下，适用范围受限。

• 优点：推荐结果解释性强；随着用户的浏览记录数据的增加，推荐一般也会越来越准确。

三、算法的实现

在本次项目中，基于物品相似度的协同过滤算法的实现大致如下所示：

计算物品（课程/活动/演出/展览/比赛等）的相似度。

步骤如下：

利用物品的内容属性计算相似度。内容属性类似于一种标签，能体现出物品的共性。

物品可以是实体的物件，也可以是虚拟的娱乐服务。比如某演出的类型，是话剧、舞蹈还是歌唱？演出的适宜人群是10-18岁的青少年，还是二十来岁的大学生，还是工作稳定家庭圆满的中年人？演出的地点在茶馆、体育馆还是歌剧厅？

一个物品可以有多个标签，而两个物品相同的标签越多，两者的相似度也就越高。

分析用户的行为记录计算相似度。用户的行为记录包括曾经观看过的演出、展览，参加过的比赛，购买过的商品等。确认了用户的行为偏好，就“投其所好”。

为用户生成推荐列表。将物品和用户的行为关联起来，和用户历史上感兴趣的物品越相似的物品，越有可能在用户的推荐列表中获得更高的排名。需要考虑以下几个方面：

业务场景：共可分为冷启动、非冷启动新用户、非冷启动老用户、匿名用户四种。不同的业务场景适用的算法不同，对于本项目，基于物品协同过滤推荐算法适用于非冷启动老用户。

不同业务场景适用的算法不同

推荐位置：需考虑前端推荐列表的入口（首页或某个模块），以及其内部的界面层级。

结果评测：推荐列表上线后，收集数据用于算法的优化。需对比算法使用前后商品销售量和销售额的增长情况，以此衡量算法的有效性并及时调整推荐机制。

• 商品的数量层面的相关数据：点击量、点击率、收藏量（若允许收藏）、加购量、加购率、提交订单量、提交订单率、订单付款率、占比等等。

• 商品的金额层面的相关数据：点击量、收藏金额、加购金额、提交订单金额、付款额、占比等等。

本次项目中，前端给定了一个智能推荐主入口，提供展览服务、比赛服务、演出服务三个次级入口。

需要注意的是，这三个次级入口所导入的内容，均是已经维护好的，只是处于同种物品的长尾列表内，曝光率可能较低。智慧推荐要做的就是提升这些内容的曝光率。

考虑的物品内容属性及权重系数有所区别：

展览服务（展览）：

• 展览位置：考虑到不同场馆给用户带来的体验不同，用户可能偏向于在某个展馆内观展，因此会对相同展馆内举办的展览进行推荐。权重系数低。

• 展览时间：用于相近时间段的推荐。如某展览举办期间还有其他展览也在举办；或者用户在观赏某演出的当天，也有某个展览正在举行，希望用户可以“顺便”参加某展览。权重系数低。

• 展览类型：展览可分为书法展、绘画展、科技展等不同类型，每种类型又可细分为多个小类，如绘画展可细分为中国画展、油画展、 版画展等等。实际上，在维护展览的相关信息时，已经为不同展览设定了标签。权重系数高。

• 适宜人群：不同年龄段的人所爱好的东西有其相似性，因此要对展览的受众进行区分，如10岁以下的幼童、10~18岁的青少年、18岁以上等等。

比赛服务（比赛）：比赛类型（书法、绘画、朗诵、小发明等标签）。

演出服务（演出）：演出位置、演出类型（朗诵、歌唱、舞蹈、小品等标签）、演出时间（近期推荐）等，类似展览。

后台给定了算法的模板配置页面，推荐位配置页面以及结果评测页面。