“微信產品經理進階之路---推薦算法”
“ 睡覺之前放松會吧，刷會抖音”
不知不覺，就到了深夜一點
抖音的精準推薦算法，令我們忍不住不停的刷
那抖音如何了解你的興趣并做到精準推送？
“物以類聚、人以群分”，其實就是最簡單的答案
本文基于《推薦系統實踐》這本書，主要從用戶行為數據角度出發，用最通俗語言講解背后的推薦邏輯
01
—
基于用戶的協同推薦
“ 你有沒有什么好看的電影推薦呀？”
“《寄生蟲》口碑很好，我強烈推薦！”
這其實就是「基于用戶的協同推薦」，我認為我倆喜好相似，所以你推薦我的電影我也會喜歡。
那引申到抖音中，就是通過用戶對不同視頻的行為，來計算用戶之間的相似性，然后基于用戶之間的相似性做出推薦。
一句話概括就是：給用戶推薦，和他相似用戶喜歡的內容
所以這就包括兩個核心問題：
（1）如何確定一個用戶是否與你有相似的品味？
（2）如何將相似人群的喜好組織成一個集合？
在這里我們暫且繞開數學公式解釋，用一個通俗的方式
你在抖音里的顯著性行為，都會被日志記錄下來，比如觀看視頻的ID、打開抖音頻次、停留時長等等。
這一系列數據，會演變成你在抖音平臺的專屬畫像。那么只需計算你的畫像數據，便可以了解你這個人，對你推薦內容。
舉個簡單例子，如下圖
將每個用戶的偏好內容作為一個向量，也就是我們的表格「行數據」。行數據的重合度越高，用戶之間的偏好相似性程度也越大。
可以看出用戶“甲”和“丁”的行數據重合度最高，那么他倆也就最相似度。丁沒看過甲喜歡的“視頻D”，那么就可以將“視頻D”推薦給丁！
這也就解釋了為什么 “你在抖音上刷的越多，推薦的就越精準”
因為這樣你在抖音里的畫像標簽，就會被描述的更豐富抖音推薦算法邏輯，可以更精準得匹配到和你相似的人群。
02
—
基于物的協同推薦
我很喜歡《當幸福來敲門》，看完之后還想再看和它相似的電影，豆瓣底部就推薦了「喜歡這部電影的人也喜歡·····」的系列電影。
這也就是我們所說的「基于物的協同推薦」
基于物的推薦，從字面意思理解就是利用物品的內容屬性計算物品之間的相似度。
但其實并不是，主要通過分析用戶的行為數據而計算視頻之間的相似度。如果喜歡物品A的用戶大都也喜歡視頻B，則視頻A和視頻B具有很大的相似度。
依然用前文的例子，前文從表格行維度分析，這次要從列維度展開，如下圖
將每個物品的所有偏好用戶作為一個向量，也就是我們的表格「列數據」。同樣，表格列數據的重合度越高，物品之間的就越相似。
可以看出偏愛“視頻A”和“視頻D”的用戶重合度最高，那么視頻A和D也就最相似。因為用戶丁喜歡視頻A，那么就可以將“視頻D”推薦給丁！
大家在這也就理解了，為什么我們在買完手機之后抖音推薦算法邏輯，京東就可以立即推送手機殼的購買鏈接。
大家若是有興趣，可以去了解下從數學角度怎么計算人與人，物與物之間的相似性大小，并不是很難也很好理解。