资料整理，来源于北大刘宏志教授讲座内容。

在介绍推荐系统前，我们先想一个问题，为什么要有推荐系统？在推荐系统没有出现前，难道我们就不能更好的生活？

其实这方面主要归因于，互联网技术的迅猛发展，带来信息爆炸，进而我们接触到的信息都是超载的。

我们将转变接受信息的理念：”多即是少、少即是多“。

试想，我们去逛超市，面对琳琅满目的同类商品，是不是也会犯”选择困难症“。

1.推荐系统概念

关于推荐系统概念，我们可以认为：

• 推荐系统是一种主动的信息过滤系统；即将信息过滤的过程由”用户主动搜索“转变为”系统主动推送“。

什么样的系统需要用户主动搜索呢？我们常见的就是不同的搜索引擎，如：百度、Google等。

用户主动搜索建立在两个前提：

• 用户知道自己要什么
• 用户知道自己该如何描述

而推荐是挖掘并且满足用户的潜在需求，如：今日头条、Amazon等。

同时，推荐系统还是一种双边匹配系统，把恰当的商品（信息）推荐给人：

• 帮助用户发现其所喜好的或需要的小众、非主流商品；
• 帮助商户将其商品展现在对它们感兴趣的用户面前。

---

这一切正如《长尾》的作者 Chris Anderson 所言：

• We are leaving the age of information and entering the age of recommendation.

2.推荐系统发展历史

如果我们想要遇见将来，适当的途径是研究这门学科的历史和现状。

信息过载、推荐系统，这些词语并不是最近才被人提及。

推荐系统的整个发展历程又是怎么变化的呢，请看下面梳理内容。

参考资料可以点击下原文查看

参考自：https://cloud.tencent.com/developer/article/1652169

3.个性化推荐系统框架

---

基于公式的描述：

• 映射函数 $f:U\times I\to R$

• 输入：

  • 用户画像（U）：评分、偏好、人口统计学资料、上下文等
  • 项目画像（I）：项目描述（属性）、内容等

• 计算：兴趣度或相关度（R），用于排序

• 输出：针对每个用户，给出项目排序列表

---

用户画像，即对用户的特点和兴趣进行建模

• 从用户相关的各种数据中挖掘或抽取出用户在不同属性上的标签

• 例如：年龄、性别、职业、婚姻状态、兴趣、未来可能行为等

项目画像，即对项目的特点进行建模

• 从项目相关的各种数据中挖掘和抽取出项目在不同属性上的标签

• 实现对项目（例如商品、服务等）的精准的定位

4.部分案例

4.1 搜狐视频个性化推荐架构

4.2 今日头条推荐系统架构

4.3 Netflix推荐系统架构图

5. 视频推荐系统流程设计

构建用户画像：

• 输入数据：用户注册数据、行为日志、系统展示日志 等

• 事实标签：性别、年龄、地域、人群（学生、上班族等）等

• 模型标签：主题偏好、兴趣标签（明星、导演、风格等）等

• 预测标签：用户活跃度、用户价值 等

视频（项目）画像：

• 输入数据：视频描述、视频内容、相关用户信息 等

• 事实标签：主演、导演、出品人、主题 等

• 模型与预测标签：评分、热度、关键词 、适合人群等

最后目标：

总结

本文主要对推荐系统做了基本介绍，从推荐系统为什么会出现，然后讲解了推荐系统基本概念，以及推荐和搜索的区别；梳理了推荐系统的发展历史，推荐系统主要架构，部分推荐系统案例；最后自己设计了一个视频推荐系统整体流程。