《推荐系统》,推荐系统属于什么方向

摘要： 系统推荐和通投区别？产品经理如何思考推荐系统？个性化推荐系统的利弊？deep learning可以用来推荐系统吗？如何完成一个推荐系统？系统推荐和通投区别？系统推荐和通投的主要区别...

1. 系统推荐和通投区别？
2. 产品经理如何思考推荐系统？
3. 个性化推荐系统的利弊？
4. deep learning可以用来推荐系统吗？
5. 如何完成一个推荐系统？

系统推荐和通投区别？

系统推荐和通投的主要区别在于它们的适用范围和目的不同。系统推荐是一种基于用户行为和偏好的算法，通过对用户历史行为进行分析，推荐相似的内容给用户，以提升用户体验和产品价值。

而通投则是广告投放中的一种方式，主要使用一种通用的广告策略，将广告投放到广泛的受众面前，以期获得更多的曝光和点击率，从而达到广告宣传的目的。

从应用的角度来看，系统推荐更为适用于内容推荐和个性化服务领域，而通投则更适用于品牌宣传和产品推广领域。

产品经理如何思考推荐系统？

我没做过推荐系统，简单提一下自己的想法，估计不太对，抛砖引玉吧。。

既然需要推荐系统，说明有大量的信息，大量的用户，推荐系统负责把信息推送给用户。

系统对每一条新的信息，进行标签划分，根据信息里的关键字，确定应该对应哪个标签，每条信息可能会有几个关联的标签。

再对用户做同样的划分，根据用户主动设置的兴趣标签，以及他搜索、浏览的历史信息，判断哪些标签是他感兴趣的。

推荐系统的核心参考，就是标签，把标签所关联的信息，推荐给用户。

个性化推荐系统的利弊？

好处是满足了每个人不同的兴趣方面的需要，不好的地方是不利于共同的价值观和热点的形成和传播，推荐系统的开发过于复杂，已经演化成为业界最高技术的比赛场。总的来说是社会的进步，已经在获取信息上向按需分配前进了一大步。

最近几年，随着互联网的兴起，各种各样的数据爆发式的产生，下图展示了2011-2013年互联网上一分钟能产生的数据量。

数据越多选择越多，因此各个互联网产品就开始搞个性化推荐，推荐系统变得越来越火爆，可以说在大数据的时代，谁更了解用户，谁就能提供更准确的服务，也就能得到更大的利润。比如以“你关注的，才是头条”著称的今日头条正可谓是抓住了这点，吊住了用户的口味。

在今日头条的首页上，有推荐专栏，会给用户提供专属定制化新闻，也正是因为在用户特征上分析的准确，凭借这点，今日头条也得到了巨大的广告收入，这种精准营销方式得到各大广告金主的偏爱。

再比如，我们经常用的淘宝、天猫等购物APP，它会根据你平时的购物习惯给你推荐相关的产品。比如，我每个月都会给家里买一些奶制品、啤酒之类的饮品，淘宝就会自动给我推荐各种奶制品、啤酒产品，但凡我某一个月太忙，忘记给家里买东西了，一打开淘宝首页下拉之后的“猜你喜欢”部分就主动推荐给我一些我常关注的产品，我自己就又会消费了。这种方式使得商家能卖出更多的产品，同时也能给用户节省购物挑选的宝贵时间。

对于比较的大的电商公司、亚马逊、京东、淘宝等，推荐系统做的好，能能提高百分之10到30左右的订单贡献率，这就促进了百十亿的销售额，相比于雇佣几十个推荐系统工程师所花费的投入，对企业来说简直是低投入高回报的最好代表了。

利：通过从大量的信息中有效地过滤掉用户不关心的内容，生成个性化的推荐列表。从用户角度来说，提高了单位时间的信息价值，减少了噪声的干扰，得到了更好的信息体验；从应用角度来说，可以精准地定位到不同的用户，提高了单位成本下的推广效果，减少了用户流失的可能性，产生了更好的经济效益。

弊：可能的隐私问题。至于所谓的共性发现，这完全可以由非个性化的推荐系统来实现，不算是缺点。但是，分析每个用户的偏好等有可能导致用户的隐私担忧，尤其是当系统被不当使用时。

deep learning可以用来推荐系统吗？

有两种思路，一直接用深度学习来做推荐系统，大的公司谷歌 亚马逊在用，需要探索的地方比较多，二用深度学习来做传统机器学习用的特征工程，来避免人工选择特征的缺点，并可以用全部特征来学习，目前有做到上亿的特征学习

如何完成一个推荐系统？

何为推荐系统？ 在我看来是能够实现推荐功能的产品。单单的推荐算法够不上推荐系统，连简单都算不上，因为它不完整。当然推荐系统的核心还是在推荐算法上。

我的理解是，题主困惑于如何做成一个简单易用的推荐【系统】，因此你既要懂推荐算法，也要了解系统架构。

首先，推荐系统得有一个良好的用户交互界面，也就是我们所说的前端，能够设计出简单的注册、登录、菜单展示、菜单选择、菜单推荐等基本页面，所需要的语言是html,css,js等，ps技术，如果想比较快速的搭建界面的话，推荐使用bootstrap框架，使得我们不用把细节过多的放在元素标签上。附上bootstrap链接。

其次，要选一门自己擅长的后台语言，以此来将前端用户交互记录写入数据库中。j***a，.net自由选择，我比较擅长.net的网站开发，尤其是mvc框架，使得我不用过多的将细节放在网站的配置上，只要按照约定俗成的规则来搭建即可，即灵活又方便。同时我们需要稍微了解一些设计模式的东西，使得设计的系统比较稳定，耦合度比较低，也就是说的使得修改最少的代码来实现最多的功能。还要为推荐算法留好接口，这样即做到易于维护，又能为后续推荐算法升级做好准备。在此推荐一下用.net mvc 来实现网站系统的博客MVC5 + EF6 入门完整教程，写的特别好。

说完系统的前后台所需技术后，我们接下来分析一下推荐算法。

一开始我们可以选择最简单的热点推荐，当然为了增加商品的多样性以及用户的惊喜度可以***随机推荐。然后可以使用经典的协同过滤方法来测试准确率，如果想考虑用户的兴趣迁移，可以增加时间维度的考量。推荐算法实际上是解决用户、物品、环境三者之间关系的算法，即用户在什么时间、哪个地点推荐何种物品能够满足用户的需求，以下总结了一些经典的推荐算法以及入门推荐算法的一些材料以及一些开源的推荐算法包库，推荐常用数据集等。

总之，如果遇到了自己很难解决的问题或者无从下手的难题，那就试着将问题肢解，分解为一个个小的子模块，然后再由简到繁的难易程度进行攻城崔寨。比如先搭建一个只实现了热点推荐的系统，其实这就完成了70%，如果想接着提升用户体验的话，可以考虑升级一些好用的、易于实现的推荐算法。

推荐系统本身搭建起来相对复杂，但是如果想要快速实现较好的推荐效果，和第三方合作是非常行之有效的办法。

目前很多推荐系统都是收费的，费用不低，大家比较熟知的百度推荐也已经停止维护很久了。给大家安利一个免费的推荐系统吧，先荐智能推荐系统，它目前还是免费的，推荐效果不错，接入也简单，需要的可以去百度先荐用一下。