2020年的愚人節(jié)晚間，羅永浩在抖音帶貨，相信你也被刷屏了吧。3小時的直播過程中，22款產(chǎn)品輪番出場，最終首播支付交易總額突破1.1億、整場直播觀看總?cè)藬?shù)超過4800萬、總銷售件數(shù)逾91萬，粉絲打賞音浪收入3600萬，由此看來，羅老師看起來離“帶貨一哥”的目標又進了一步。不得不說，這場魔幻版的流量狂潮，是他和成就他的直播首秀的除了他自己，更重要的是日活躍用戶超過四億的抖音平臺的雙贏抖音平臺。

我們的時間都去哪了？所謂“抖音五分鐘，人間兩小時”，抖音軟件的火爆便是依托于它強大的智能推薦系統(tǒng)。它會根據(jù)你的瀏覽記錄、停留時長、點贊評論等一系列數(shù)據(jù)分析你的喜好后，小心翼翼的捕獲你，最后平臺饋贈的你所看到的每段個視頻恰恰都正是你最最有可能想要看到的。

正因如此，你的手機常常會為你推薦你想要搜索卻不知道片名的電影影片，會為你推送發(fā)現(xiàn)一聽便相逢相見恨晚的美妙音樂，會為你準備好使你眼前一亮隨你心意的衣服首飾。總之，它是知己一般的存在，總是這般如同住在你的大腦一樣洞了解察和了解你。

二、什么是智能推薦系統(tǒng)

通俗一點來講，智能推薦系統(tǒng)是通過你過去曾經(jīng)發(fā)生的行為痕足跡去推測你的當下未來所需。你的搜索、點贊、評論、轉(zhuǎn)發(fā)等行為都為它創(chuàng)造了解你的機會。舉個例子例子：當你在某購物平臺搜索一雙經(jīng)典球鞋時，平臺會立刻很快就會發(fā)現(xiàn)它還為你推薦了相似同款式類型、相似同等價位的其他球鞋，或者甚至還會引申到同等品牌的運動服飾衣等。最令人驚奇的是，你或許會在推薦商品中挑選到真正喜愛的商品，而沒有購買你最初搜索的那件。原因自然不言而喻，智能推薦系統(tǒng)比你更了解你的購買瀏覽習慣和行為偏好，當你還不了解它的算法奧妙時，你早已離不開它了。

智能推薦系統(tǒng)是人工智能的分支，它的運作主要包括數(shù)據(jù)采集、數(shù)據(jù)處理、推薦計算、模型訓練等步驟搜尋。

（一）數(shù)據(jù)采集

推薦系統(tǒng)需要的數(shù)據(jù)可以用一句話來概括：“哪個用戶在什么時間點對什么內(nèi)容發(fā)生了什么行為，這個內(nèi)容是什么”。用一張圖來表示：

我們拆分來看，大致可以分為以下三類數(shù)據(jù)：

1.物料類數(shù)據(jù)

也就是內(nèi)容的文本類數(shù)據(jù)，如內(nèi)容的標題、正文、作者、內(nèi)容來源、標簽或關(guān)鍵詞、分類（如時政、健康、娛樂等）、發(fā)布時間等，在電商場景的話還可能會有價格、商品屬性、商品復購周期等。不同的業(yè)務場景下可能會涉及到不同維度的數(shù)據(jù)，但目前能用做推薦的僅是文本數(shù)據(jù)。在服務家居和素材類網(wǎng)站客戶的過程中，曾經(jīng)有嘗試過用圖像識別的方法做相似度推薦但效果并不理想，反而是在社交網(wǎng)站上用實體命名識別會有作用，當然實體命名識別的載體也還是文字。目前的圖像識別技術(shù)還不能識別出圖像或者視頻中的行為意圖，只能識別出類似于“三個人扭打在一起”等行為描述，而很顯然這樣的描述特征是不能供推薦系統(tǒng)所用的。

2.用戶類數(shù)據(jù)

用戶類數(shù)據(jù)則包括：人口統(tǒng)計學數(shù)據(jù)：性別、年齡、職業(yè)等；興趣標簽類數(shù)據(jù)：美妝、電影、旅游等；地理位置數(shù)據(jù)：經(jīng)緯度坐標。

3.特定場景下的靜態(tài)身份數(shù)據(jù)

即崗位、專業(yè)、技能等業(yè)務場景下才會需要到的身份數(shù)據(jù)。我們需要知道的是，雖然用戶類數(shù)據(jù)有很多，但并不是所有的數(shù)據(jù)都能被推薦系統(tǒng)所需要的，往往是特定的業(yè)務場景下會用到特定的用戶類數(shù)據(jù)，這個得根據(jù)業(yè)務場景進行具體分析。如銀行理財產(chǎn)品推薦中可能會用到用戶的職業(yè)、財產(chǎn)收入等數(shù)據(jù)，而這些數(shù)據(jù)在新聞場景下是不會用到的。

因此，有很多人在引用用戶的“用戶畫像”做推薦，我認為這是非常錯誤而且反常識的做法。目前為止，用戶畫像尚沒有平臺能做到全維度數(shù)據(jù)覆蓋，也就是畫像刻畫得有偏差，那么上梁不正下梁歪，整個推薦都會出問題。其次，即使做到了全維度數(shù)據(jù)覆蓋又該如何確認確保用戶畫像標簽的粒度呢？標簽的設(shè)立本質(zhì)就是用少量的詞匯來描述一個人，那么多少角度的多少詞匯可能描述完一個人呢？標簽的存在就注定了信息量的損失。最后，如果一個人的用戶畫像被刻畫為“金領(lǐng)、IT男、月入百萬“難道就不會去買9.9包郵的商品么？ 很明顯，這都是用”用戶畫像“做推薦反常識、反邏輯的地方。

用戶行為數(shù)據(jù)，包含了用戶對內(nèi)容發(fā)生的行為如點擊、分享、點贊、收藏、加入購物車、瀏覽時長、播放完畢等根據(jù)業(yè)務場景制定的能反映出用戶興趣的數(shù)據(jù)，也包含了用戶發(fā)生行為的時間即用戶點擊這條內(nèi)容是在什么時間，用戶瀏覽10s是在什么時間。我們講求的推薦系統(tǒng)的實時推薦也是依賴于用戶的行為數(shù)據(jù)能夠毫秒級的上報至推薦系統(tǒng)，這個時間一般控制在50ms以下。而我們有了用戶的行為數(shù)據(jù)之后，則可以得出人與人之間的關(guān)系特征。

（二）推薦算法

我們知道推薦結(jié)果是經(jīng)由推薦系統(tǒng)所需數(shù)據(jù)計算處理后的結(jié)果，而計算處理的過程則用到了推薦算法。如果我們把推薦系統(tǒng)所需的數(shù)據(jù)看成原料，那么推薦算法就是流水線上的工人，將原料按照程序加工處理包裝完成，并儲存到倉庫中（緩存層）。那么，應用比較廣泛的推薦算法有哪些呢？

1、基于神經(jīng)網(wǎng)絡(luò)的文本語義推薦算法

CB（Content-based Recommendations），即根據(jù)用戶歷史喜歡的內(nèi)容（item），為用戶推薦與他歷史喜歡的內(nèi)容相似或相關(guān)的內(nèi)容。例如，在汽車資訊場景下，用戶讀了很多關(guān)于“寶馬”汽車的文章，那么其列表里也會推薦跟“寶馬”汽車相似的文章。值得注意的是，根據(jù)內(nèi)容相似的推薦并不僅指的是標題，而是所有被認為有計算價值的文本的相似性

2、基于協(xié)同過濾的推薦算法

基于內(nèi)容的推薦算法會帶來一系列的問題，例如會讓用戶進入信息繭房，無法進行冷啟動（新用戶）的推薦，所以在大多數(shù)業(yè)務場景下，智能推薦都需要應用到基于協(xié)同的推薦算法（CF），并與CB融合推薦。（CF）是一類算法，指的是對哪些數(shù)據(jù)進行怎樣的協(xié)同，以及協(xié)同完了之后怎樣過濾，這些是（CF）算法的重點。

基于協(xié)同的推薦算法（CF）其背后隱含的邏輯是每個人對自己興趣的認知是片面的、不自知的。即沒見到過的東西，每個人是不知道也不確定自己是否會喜歡。所以，CF依賴于“群體共性”“群體智慧”挖掘出那些潛在的、可能會被用戶喜歡的內(nèi)容并推薦給用戶。CF算法也是最早、最經(jīng)典的推薦算法之一，可以這么說，CF算法是推薦算法的鼻祖。我們后續(xù)很多推薦算法都是基于CF的協(xié)同過濾思想延伸而來。有兩類基于協(xié)同的推薦算法：基于用戶的協(xié)同過濾算法、基于物品的協(xié)同過濾算法。

3、基于用戶行為的深度學習模型

隨著技術(shù)的發(fā)展，深度學習應用的場景越來越廣泛，業(yè)界也出現(xiàn)很多將深度學習應用于推薦系統(tǒng)的嘗試?；谟脩粜袨榈纳疃葘W習模型最先應用于中小規(guī)模計算廣告系統(tǒng)中，大規(guī)模的計算廣告系統(tǒng)因巨大的吞吐量和低延遲的需要，基于成本考慮，多采用簡單的回歸算法來實現(xiàn)。

深度學習模型在推薦系統(tǒng)中的應用主要有兩種：一是精準度更高的語義模型用于物品相似度計算；二是對用戶行為進行抽象后提取特征進行點擊概率預測；

4、基于關(guān)聯(lián)規(guī)則的推薦

在電商領(lǐng)域應用較為廣泛的另一種推薦算法是基于關(guān)聯(lián)規(guī)則的推薦，從本質(zhì)上講它類似于協(xié)同過濾算法，只是它協(xié)同的是用戶自己的購買記錄。典型的故事是啤酒與尿不濕的故事，雖然該故事的來源已無從考究，但卻是目前大眾認知度最高的一個數(shù)據(jù)帶來的收益的案例。故事的內(nèi)容是：北美的超市經(jīng)營者經(jīng)過數(shù)據(jù)分析發(fā)現(xiàn)，啤酒和尿不濕在同一張訂單中出現(xiàn)的概率較高。于是深入下去研究，發(fā)現(xiàn)在家庭中買尿不濕的事情大都由家里的男人去做，而男人在買尿不濕的時候總會隨手帶幾罐啤酒。于是通過調(diào)整貨架擺放，把尿不濕和啤酒放在一起，讓更多男人在買尿不濕的時候隨手帶一打啤酒，結(jié)果銷售量大增。

故事本身相當經(jīng)不起推敲，比如反正尿不濕和啤酒總是要一起買，那么就不應該把它們放在一起，而是保持一些距離。在動線設(shè)計上讓用戶行走在兩種商品的過程中擺放一些男人會隨手帶的其它商品，收益率也許會更高。我們暫不去討論這個故事的可信度，這個故事反映了關(guān)聯(lián)規(guī)則推薦背后最樸素的邏輯：其他用戶經(jīng)常把哪些商品放在一起購買，我也應該有這方面的需要。

總的來說，作為一種內(nèi)容分發(fā)智能平臺，它的內(nèi)容分發(fā)方式是多樣的；包括算法分發(fā)、編輯（人工）分發(fā)、社交分發(fā)等，內(nèi)容平臺會根據(jù)自身的特點選擇分發(fā)效率高的分發(fā)方式。一般來說，在內(nèi)容平臺內(nèi)會存在多種分發(fā)方式并存的情況。

例如，在新聞場景中，可能會有固定類型的新聞需要在指定位置展示，其他推薦位置才會用到算法分發(fā)。比如微博的熱點場景即是算法分發(fā)，而關(guān)注板塊的算法則純粹是基于訂閱的社交分發(fā)了。或者是一個業(yè)務場景，各種分發(fā)方式以權(quán)重的形式參與到最終結(jié)果的呈現(xiàn)中。如電商搜索板塊，不僅用到了以語義和用戶行為為主的個性化搜索排序，還將主推商品、流量商品等加大權(quán)重，使這些商品在分發(fā)過程中會有更大的概率會順序較為靠前的展現(xiàn)在用戶屏幕上。當平臺有海量的內(nèi)容和數(shù)以百萬計、千萬計的用戶規(guī)模時，信息與用戶的有效匹配顯得尤為重要，自然會通過多種方式提高分發(fā)效率。

三、智能推薦與分類目錄和搜索引擎有何不同

在如今的互聯(lián)網(wǎng)時代，我們大致經(jīng)歷了三種信息獲取方式：分類目錄、搜索引擎、智能推薦。它們并分別誕生了提供三種信息獲取方式服務獲得成功的公司。分類目錄有：雅虎、新浪；搜索引擎有：谷歌、百度；智能推薦有：字節(jié)跳動。

分類目錄覆蓋信息量有限，用戶分門別類查找信息并不輕松。搜索引擎覆蓋量大，操作簡單，但用戶必須提供精確的關(guān)鍵詞。在如今信息爆炸的時代，用戶依靠以上兩種方式準確地獲取的所需要的內(nèi)容已經(jīng)并不容易，特別是當他們不了解所需內(nèi)容的具體分類和精確關(guān)鍵詞時。而智能推薦則是通過用戶行為數(shù)據(jù)的計算，將用戶最需要的信息主動推送給用戶。其與分類目錄和搜索引擎的區(qū)別體現(xiàn)于此。推薦系統(tǒng)基于用戶的靜態(tài)屬性與用戶行為數(shù)據(jù)進行信息匹配，因每個用戶存在個體性差異，所以每個用戶獲取的信息都是不同的，都是個性化的，并且推薦系統(tǒng)傳遞信息的過程是主動而非被動的。

我們每個人都已經(jīng)離不開的網(wǎng)絡(luò)購物恰恰向我們展現(xiàn)了智能推薦的優(yōu)勢及其必要性。商品千千萬，搜索詞條也是五花八門，如果不是依靠智能推薦系統(tǒng)為我們提供便利，我們可能很難找到自己真正想要的商品。

四、智能推薦，勢在必行

不管是什么樣的平臺，搭建智能推薦系統(tǒng)、幫助用戶發(fā)現(xiàn)內(nèi)容、克服信息過載是勢在必行的。智能推薦系統(tǒng)正潛移默化的影響著我們每個人的生活，不管我們發(fā)覺與否，我們都無法離開智能推薦系統(tǒng)。它正以一個最了解你的“人”的角色，活躍在你我身邊，不僅使平臺收益，更方便著每一位用戶。

這種將人們喜愛和需求的商品及信息主動地推薦給我們的方式，恰恰迎合了人類與生俱來的惰性。相比主動地搜索，人們更喜歡被動的接受，特別是當這些信息正是我們所感興趣的時候。如今，智能推薦無處不在。購物平臺的商品推薦，短視頻平臺的視頻推薦，娛樂平臺的音樂電影推薦，新聞資訊平臺的信息推薦，甚至是社交平臺的交友名片推薦，無一不依賴它。簡單來講，每款app在不同的用戶手中，既可以是相同的，又可以是完全不同的。一切都會根據(jù)于你的個性和喜好而定義，這就是智能推薦的本質(zhì)所在。