预约成功
1、推荐系统使用的步骤——定义目标
凡事要有成效都必须坚持目标导向，如果一个项目的成果不能被准确衡量，那么前景注定是危险的。推荐系统长期都是为提升平台的活跃度而生的，与团队的商业价值目标是一致的，但短期内两者或许会有冲突：平台的展示位置有限，推荐系统上马后会分流掉热门内容的点击量，而商业价值往往要建立于热门内容之上。所以上马之前一定要与负责确定商业价值的人协商(也许你的CEO、也许是市场团队的头儿)，在推荐系统的设计中兼顾到一部分的商业价值目标。关于推荐的评价指标，个人建议可包括下列选项：推荐系统覆盖的内容数量、推荐内容的点击率(A/B测试)、推荐系统上线前后的内容产生量(对于UGC平台)、推荐系统上线前后TOP100内容的变化，同时也要留意推荐内容区域的浏览行为数据(推荐系统本来就是个离产品很近的事)，比如停留时间、点击的频次、翻页的频次。
有的平台会在推荐结果的下方提供用户的反馈按钮，但是我建议这种反馈听听就好，不必当真，主要还是看实际的数据表现。用户反馈总是会过分的积极，容易让人忘乎所以。
2、推荐系统使用的步骤——深入业务
做数据的如果不了解业务，基本就废掉了。我的习惯是做推荐系统之前一定要把产品玩熟用坏，尽量获取更多的用户、内容和行为的数据。打个比方，用QQ邮箱的和用Gmail邮箱注册的用户肯定有些不一样，对不除了收集数据，熟悉推荐的业务场景(行话叫「推荐的上下文」)也很重要，事实上推荐算法的选型也会受业务场景的影响，比如以物推物的场景就更适合内容特征的算法，一个一个接连展现的可以考虑加入点随机性，首页推荐列表应该多放新内容。
3、推荐系统使用的步骤——算法选型
既然推荐系统的本质是行为的关联，那么协同过滤(这里把矩阵分解也算协同过滤的一种)都是在利用关联的信息，通常都会比基于内容的推荐效果要好。不过现实中单一的算法都很难获得很高的准确率，适当结合内容自身的属性有助于提升推荐的满意度，举个例子，服饰电商平台中Item的品牌信息对购买者就很关键(所有女人都懂的，对不)，如果能建立起一个User的品牌偏好，或者进一步讲，品牌与品牌之间的关联度，那么爆表的推荐质量简直是手到擒来。如果平台原有的行为数据就是关联很稀疏的，协同过滤就很难发挥所长，这时基于内容的推荐就有用武之地了。
4、推荐系统使用的步骤——冷启动与负样本
冷启动可分为User的冷启动和Item的冷启动，如果是要对一个新内容推荐相关的其他内容，那么可以多多利用内容特征的相似度;如果是对一个新用户推荐，可以利用起社交网络的信息(比如该用户的QQ好友的喜好);或者推随机的热门内容，再评估用户的点击快速调整(实时推荐的好处出来了);最后的办法也只有给新用户一个表达自己喜好的界面了。
协同过滤是基于统计的算法，并不需要负样本的信息，但如果采取了机器学习的算法，训练的过程是需要负样本的。大部分产品设计的时候不会提供用户的负反馈入口，用户无法表达对某个内容的厌恶，也就是现实数据并不存在负样本。但是负样本其实是可被创造的，我常用的一种做法是选择热门的但没有产生用户喜好的样本，因为平台的热门内容往往有更高的曝光率，用户反复看到但没产生点击，那就潜在的表达了一种厌恶。
以上就是有关于推荐系统使用的步骤的相关内容，以及相应的解析，不论你是已经入职数据分析师岗位的新人，还是打算进入数据分析岗位的小白，以上的内容都或多或少会对大家有所帮助，环球网校的小编在这里祝大家的数据分析师职业道路顺利。
