產品經理需要了解的推薦演算法之——個性化推薦演算法1（基於內容）

接前一篇產品經理需要了解的推薦演算法之--熱度推薦原理和實施 - 知乎專欄

3. 個性化推薦

OK，現在你的內容產品順利度過了早期階段，擁有了幾萬甚至十幾萬級別的日活，這時候發現熱度演算法導致用戶的閱讀內容過於集中，而個性化和長尾化的內容卻鮮有人看，看來是時候開展個性化推薦，讓用戶不僅能讀到大家都喜歡的內容，也能讀到只有自己感興趣的內容。

個性化推薦一般有兩種通用的解決方案，一是基於內容的相關推薦，二是基於用戶的協同過濾。由於基於用戶的協同過濾對用戶規模有較高要求，因此更多使用基於內容的相關推薦來切入。

3.1 基於內容的推薦演算法

這裡引入一個概念叫「新聞特徵向量」來標識新聞的屬性，以及用來對比新聞之間的相似度。我們把新聞看作是所有關鍵詞（標籤）的合集，理論上，如果兩個新聞的關鍵詞越類似，那兩個新聞是相關內容的可能性更高。 新聞特徵向量是由新聞包含的所有關鍵詞決定的。得到新聞特徵向量的第一步，是要對新聞內容進行到關鍵詞級別的拆分。

1）分詞

分詞需要有兩個庫，即正常的詞庫和停用詞庫。正常詞庫類似於一本詞典，是把內容拆解為詞語的標準；停用詞庫則是在分詞過程中需要首先棄掉的內容。

停用詞主要是沒有實際含義的例如「The」,「That」，「are」之類的助詞，表達兩個詞直接關係的例如「behind」，「under」之類的介詞，以及很多常用的高頻但沒有偏向性的動詞，例如「think」「give」之類；顯而易見這些詞語對於分詞沒有任何作用，因此在分詞前，先把這些內容剔除。

剩下對的內容則使用標準詞庫進行拆詞，拆詞方法包含正向匹配拆分，逆向匹配拆分，最少切分等常用演算法，這裡不做展開。

因為網路世界熱詞頻出， 標準詞庫和停用詞庫也需要不斷更新和維護，例如「藍瘦香菇」，「套路滿滿」之類的詞語，可能對最終的效果會產生影響，如果不及時更新到詞庫里，演算法就會「一臉懵逼」了。

因此推薦在網上查找或購買那些能隨時更新的詞庫，各種語種都有。

2）關鍵詞指標

前面已經說過，新聞特徵向量是該新聞的關鍵詞合集，那關鍵詞的重合度就是非常重要的衡量指標了；

那麼問題來了，如果兩條新聞的關鍵詞重合度達到80%，是否說明兩條新聞有80%的相關性呢？

其實不是，舉個例子：

a. 一條「廣州摩拜單車投放量激增」的新聞，主要講摩拜單車的投放情況，這篇新聞里「摩拜單車」是一個非常高頻的辭彙，新聞在結尾有一句「最近廣州天氣不錯，大家可以騎單車出去散心」。因此「廣州天氣」這個關鍵詞也被收錄進了特徵向量

b. 另外一條新聞「廣州回南天即將結束，天氣持續好轉」，這篇新聞結尾有一句「天氣好轉，大家可以騎個摩拜單車出門溜溜啦」，新聞裡面「廣州天氣」是非常高頻的辭彙，「摩拜單車」儘管被收錄，但只出現了一次；

因此這兩個新聞的關鍵詞雖然類似，講的卻是完全不同的內容，相關性很弱，如果只是看關鍵詞重合度，出現錯誤判斷的可能性就很高；所以特徵向量還需要有第二個關鍵詞的指標，叫新聞內頻率，稱之為TF（Term Frequency），衡量每個關鍵詞在新聞裡面是否高頻。

那麼問題來了，如果兩條新聞的關鍵詞重合度高，新聞中關鍵詞的頻率也相差無幾，是否說明相關性很強呢？

理論上是的，但又存在另外一種情況：如果我們新聞庫里所有的新聞都是講廣州的，廣州天氣，廣州交通，廣州經濟，廣州體育等，他們都是講廣州相關的情況，關鍵詞都包含廣州，天河，越秀，海珠（廣州各區）等，並且有著類似的頻率，因此演算法很容易將它們判斷為強相關新聞；從地域角度講，這種相關性確實很強，但從內容類別層面，其實沒有太多相關性，如果我是一個體育迷，你給我推薦天氣，交通之類的內容，就沒多大意義了。

因此引入第三個關鍵詞的指標，即關鍵詞在在所有文檔中出現的頻率的相反值，稱之為IDF（Inverse Document Frequency）；為什麼會是相反值，因為一個關鍵詞在某條新聞出現的頻率最大，在所有文檔中出現的頻率越小，該關鍵詞對這條新聞的特徵標識作用越大。

這樣每個關鍵詞對新聞的作用就能被衡量出來即TFIDF=TF * IDF，這也就是著名的TF-IDF模型。

3） 相關性演算法

做完分詞和關鍵詞指標後，每一篇新聞的特徵就能用關鍵詞的集合來標識了：

其中word0,1,2...n是新聞的所有關鍵詞，tfidf0,1,2...n則是每個關鍵詞的tfidf值。

兩個新聞的相似度就能通過重合的關鍵詞的tfidf值來衡量了。根據之前所學的知識，幾何中夾角餘弦可以用來衡量兩個向量的方向的差異性，因此在我們的演算法中使用夾角餘弦來計算新聞關鍵詞的相似度。夾角越小，相似度越高。

有了關鍵詞和各關鍵詞的tfidf之後，就可以計算新聞的相似度了。假設兩條新聞的特徵列表如下：

可以看到兩條新聞有5個重合的關鍵詞：廣州，摩拜單車，太陽，天河和市長，因此兩條新聞的相關性由這5個關鍵詞決定，計算方式如下：

得出兩條新聞的相關性最終值；用同樣的方法能得出一條新聞與新聞庫裡面所有內容的相關性。

4）用戶特徵

得到新聞特徵以後，還需要得到用戶特徵才能對兩者進行匹配和推薦，那怎麼獲得用戶特徵呢？

需要通過用戶的行為來獲得，用戶通過閱讀，點贊，評論，分享來表達自己對新聞內容的喜愛；跟熱度排名類似，我們對用戶的各種行為賦予一定的「喜愛分」，例如閱讀1分，點贊2分，評論5分等，這樣新聞特徵跟用戶行為結合後，就能得到用戶的特徵分。

而隨著用戶閱讀的新聞數越來越多，該用戶的標籤也越來越多，並且越發精準。

從而當我們拿到新聞的特徵後，就能與用戶的關鍵詞列表做匹配，得出新聞與用戶閱讀特徵的匹配度，做出個性化推薦。

5） 其他運用

除了個性化推薦，基於內容的相關性演算法能精準地給出一篇新聞的相關推薦列表，對相關閱讀的實現非常有意義。此外，標籤系統對新聞分類的實現和提升準確性，也有重要的意義。

6） 優缺點

基於內容的推薦演算法有幾個明顯優點：

a. 對用戶數量沒有要求，無論日活幾千或是幾百萬，均可以採用；因此個性化推薦早期一般採用這種方式；

b. 每個用戶的特徵都是由自己的行為來決定的，是獨立存在的，不會有互相干擾，因此惡意刷閱讀等新聞不會影響到推薦演算法。

而最主要的缺點就是確定性太強了，所有推薦的內容都是由用戶的閱讀歷史決定，所以沒辦法挖掘用戶的潛在興趣；也就是由於這一點，基於內容的推薦一般與其他推薦演算法同時存在。

下一篇：產品經理需要了解的推薦演算法之--個性化推薦演算法2（基於用戶） - 知乎專欄

推薦閱讀：