type
status
date
slug
summary
tags
category
icon
password
推荐系统：
资讯推荐系统，本质上要解决用户，环境和资源的匹配
第一个维度：内容，需要考虑怎样提取不同的内容类型特征做好推荐。
第二个维度：用户特征，兴趣标签，职业，年龄
第三个维度：环境特征，移动互联网的特点，在工作场合，通勤，旅游等不同场景，信息偏好有所偏移
典型推荐特征：
一： 相关性特征，评估内容的属性与用户是否匹配，显性匹配：关键词，分类，来源，主题， 隐性匹配：用户向量与内容向量
二： 环境特征： 地理位置，时间
三： 热度特征： 全局热度，分类热度，主题热度，关键词热度，内容热度信息在大的推荐系统，特别是用户冷启动的时候非常有效
四： 协同特征： 帮助解决算法推荐越来越窄的问题。通过用户行为分析不同用户之间的相似性，比如点击相似，兴趣分类相似，甚至向量相似，扩展模型的探索能力。
文本特征
- 没有文本特征，内容冷启动非常困难，
- 协同类特征无法解决冷启动问题
- 颗粒度越细的文本特征，冷启动能力越强 【拜仁慕尼黑】vs【体育】
文本实体词识别算法
分词&词性标注 =》 抽取候选 -》 去歧义 -》 计算相关性
用户标签
兴趣特征：
- 感兴趣的类别和主题
- 感兴趣的关键词
- 感兴趣的来源
- 基于兴趣的用户聚集
- 各种垂直兴趣特征（车型，体育球队，感兴趣股票）
身份特征：
- 性别
- 年龄
- 常驻地点
行为特征：
- 晚上才看视频
流式计算和批量计算混合使用
大部分 user profile 采用流式计算
- 多个粒度的兴趣标签
- 垂直领域 profile
对时效性不敏感的 user profile 采用 batch 计算
- 性别， 年龄
- 常驻地点
- 作者:Roger
- 链接:https://rgao29.eu.org//article/30a08bd8-fa08-425b-a3c6-ffcf50451fe4
- 声明:没有版权，就说是你写的