广州web培训
达内广州五羊中心

18087159764

热门课程

推荐系统应该避免的四个问题(下)

  • 时间:2016-09-30
  • 发布:广州前端开发培训
  • 来源:达内新闻

这篇文章请大家继续跟着达内广州web培训学习推荐系统的相关知识:

三、将“推荐”理解为“推送” (这种情况更多的是广告)

继续第二个坑的故事,被揍的推销员遁回家后万般委屈,当脑海中萦绕着的“我咋知道你啥时候需要榴莲蛋糕,我咋知道你啥时候蹲厕所”的幽怨思绪沉寂下来后,痛定思痛决定不再到用户家里推销,而是告诉用户,需要蛋糕的时候打个电话给他,他会推荐几款最好的蛋糕给用户,终于避免了被揍并且收获了不菲订单。

用户渴望惊喜,又憎恨被打扰的折中究竟在哪?

不妨变主动变被动,当下无数的互联网产品都有一个“发现”模块,包括微信,Twiiter等大量产品。用户有需求的时候,会主动的找“推荐”,避免被打搅。而对于推荐系统,也避免对用户形成打扰,引起用户反感。

四、不顾用户需求的“个性化”程度,粗暴技术选型

我们将推荐系统的目标进行简化,假设它要解决的是点击率/转化率预估问题(但实际上远不止这个问题,本文达内广州web培训不展开)。

五、总结

其中这几个因素,有一定的界限,其对应的技术选型也不同,如果只有平台的因素,点击率与转化率遵循Beta分布,只需要对这些值进行估计。而片子本身的魅力通过简单的历史信息统计便可得到。片子信息造成的差异,则可以通过典型的线性预估属性特征进行处理。而如果有强烈的群体偏好,则可以在线性预估模型里面增加交叉特征,但是如果个性化需求极其强烈,那么协同过滤算法可能更加适合。

推荐系统的不同产品形态,达内广州web培训认为其实就是“个性化”程度不同。没有太强个性化类型的,这样的推荐系统要解决的问题是“大家都喜欢什么?”,简单的统计便能搞定。对于多数广告类产品,个性化需求太难以捕捉,要解决的问题是“什么样的人喜欢什么样的结果?”那么线性模型 属性特征 交叉特征更加适合。但是对于大多数推荐产品,尤其是大平台的推荐产品,去探索“每个人喜欢什么东西?”的个性化推荐技术(协同过滤,SVD等)可能更加适合。而不同的产品,选型哪怕类似,却也或多或少隐含差异,例如社交网络中的一些推荐产品,基于图挖掘的推荐方式可能更加适合。

一句话,技术选型必须参照产品形态与用户需求。

上一篇:推荐系统应该避免的四个问题(上)
下一篇:为什么总有人抱怨工作却不辞职?

达内广州web培训详解ES6循环:for-of

达内广州web培训详解ES5循环:forEach

达内广州web培训详解ES5简单for循环

达内广州web培训分享:CSS预处理器的缺点

选择城市和中心
贵州省

广西省

海南省