[ 路丁前言 ] 今日的文章内容从题型上将会会解雇一些人，內容也相对性较专，对懂的人或许会出现共鸣点，但从扩展视线视角還是提议掌握下。最先想说的是本文并不是新手入门专题讲座，也不会详尽表述某一优化算法的实际逻辑性，终究在这些方面不是我权威专家，也害怕开一个这么大的坑。大量是想为36kr商品精英团队的交流会內容做留档，也顺带给大伙儿做下强烈推荐对策层面的专业知识普及化，有关智能推荐优化算法，有很感兴趣想深
怎么会有此次共享呢？也是由于大家已经为自研推荐系统做贮备，因此 刻意招了一名做了有关科学研究的同学们专研根据內容的对策实体模型一部分，现阶段早已拥有些結果，便说给全部精英团队做下报告，也算作一种专业知识散播。终究智能推荐已做为现如今互联网技术的一种基本工作能力，慢慢被各大企业高度重视。
但是本文不容易给大伙儿做讲推荐系统基本要素，只是实际说下大家科学研究的一个方位：根据內容空间向量相似性的强烈推荐对策，应该怎么做。原本我们都是准备选用标识配对的方法做强烈推荐，但发觉科技类文章获取出的标识，在某种程度上不好说明文章内容想表述的含意。例如一篇讲腾讯高管辞职再自主创业的文章内容，按TF-IDF切出来的标识排列，将会全是腾迅、管理层、自主创业那样的关键字，但具体文章内容想表述的是腾迅机构升級姿势产生的危害，假如按标识相似性推文章内容，发布的全是腾迅新品，或是管理层自主创业的文章内容，匹配度并不高，因此大家又调节了方位，试着分不清标识，只是按文章内容和文章内容的相似性去强烈推荐。
大家的大约构思是那样的：先提前准备一批从今年5月27日到4月15日这五天的客户文章阅读系统日志，并选择5月27日到5月30日这四天的阅读文章系统日志数据信息做训炼，挑选出这期内阅读量>20条且都是有读书摘记的客户，根据优化算法测算后，发布每一个人将会会阅读文章的文章内容集，再把这种文章内容和4月15日的纪录做比照，看有多少是重叠的，重叠值越高，意味着大家强烈推荐的就会越准。
全部强烈推荐模型的全过程是：
1、用向量表示每章新闻报道。
2、测算空间向量和空间向量中间的交角余弦，考量每章文章内容和别的文章内容的相似性。
3、依据客户阅读历史，给他们强烈推荐相似性最大的别的文章内容。
4、把强烈推荐文章列表和31日客户具体文章阅读比照。
最终得到以下报表：
第一列是客户唯一标志，第二列是31日具体文章阅读ID，第三列是推荐文章ID。大家最终就可以比照第二列的文章内容，有多少是出現在第三列中了，出現的越大强烈推荐的也就越准。
有关新闻报道获得词向量的优化算法，此次模型用的是Huffman树，实际基本原理就无需多言了，有兴趣爱好能够 百度下~
一些工作经验感受是，在操作流程中，假如你发觉得出的类似文章内容，事实上內容关联系数并不高，可能是因为被训炼的文章内容集不足多，或是词性标注常用词典盖度不足全，因为36kr归属于垂直媒体，有很多专业术语和专享专有名词，因而大家又依据新闻记者在制造行业内的历史时间累积，导进了一批企业、新项目、跑道的语汇加到词性标注词典中，最后能得到较为精确的类似內容。
再聊下评定优化算法实际效果的指标值，上文写了，大家会把强烈推荐文章列表和31日客户具体文章阅读比照，最后会得到一个准确度的指标值，也就是：客户点一下的强烈推荐总数/总的强烈推荐总数 。除开准确度，制造行业内通用性指标值也有均方误差：客户点一下的强烈推荐新闻报道总数/客户总的访问新闻报道总数 ，从結果上，这一实体模型的准确度只有1.87%，总体算不上高，这儿也想问下做了有关推荐系统的同学们，制造行业内均值能做到是多少？求赐教~
最终小结下搭建这一实体模型的一些不够的地区，及对事后提升的思索：
- 强烈推荐品质取决于对內容叙述的详细和全方位水平。非常简单合理的是应用关键字和标识（Tag）。现阶段应用的是词向量，每章新闻报道的空间向量为100维，两组新闻报道中间必须测算，测算量很大
- 仅考虑到內容中间的相似度，沒有考虑到客户中间，客户的别的特点等；
- 由于必须根据客户过去的爱好历史时间作出强烈推荐，因此 针对新用户有“冷启”的难题。
不知道你看懂了是多少，说的实际上有点儿散，我还在这些方面的累积和了解也仅仅毛皮，仍在学习中，期待能对给你协助，假如你也做了相近对策优化算法热烈欢迎留言板留言和我沟通交流~
评论