一直对各类大热的推荐算法保持谨慎的怀疑态度，去年读了项亮的《推荐系统实践》后，稍稍改变了些看法。了解它的好处在于，在技术与价值观的争论大赛中，能把自己摆到一个比较远的位置来思考，了解后再相互比较，会有一个更全面的认识。就像我的一位朋友对我说的：“你先要知道什么是理性的，你还要知道什么是感性的，理性可能是你最好的选择，但是此时此刻，你仍然选择了感性。”
以下是一些读书笔记，希望和大家分享这本好书。
1.推荐系统的产生
人们从信息匮乏时代走向了信息过载时代，数字空间的信息膨胀速度远远超过人类的接受水平，以往的黄页、导航等等工具已经不够用了，人们希望从大量的信息中筛选出自己感兴趣的信息，一些信息提供方也希望自己的信息被人们发现。
在这种需求下，出现了两种不同的思路，最终演变成了两种不同的产品来帮助人们提升效率。一种思路认为，人们在寻找信息前已经有了大概的方向，知道自己想要的东西是什么，我们只需要从海量的信息中筛选出相关的信息即可，这种思路演变为的产品叫做搜索引擎；另一种思路认为，人们不需要去关心自己想要什么，我们在海量的信息中找出那部分人们喜欢的信息，然后直接给他即可，这种思路演变的产品叫做推荐系统。
搜索引擎和推荐系统，解决的都是信息过载的问题。搜索引擎需要用户主动提供准确的关键词来寻找信息，满足用户有明确目的主动查找信息需求；推荐系统不需要用户主动提供明确的需求，由系统主动推荐信息到用户面前，在用户没有明确目的的时候帮助他们发现信息。
2.推荐系统的类别
推荐系统的类别，分为个性化推荐和非个性化推荐。个性化推荐是指，根据用户的兴趣和行为，给用户推荐感兴趣的信息。非个性化推荐指，不针对特定用户，对全部的用户推荐同样的信息。
2.1个性化推荐
个性化推荐，针对不同用户推荐不同的信息。实行个性化推荐需要满足两个条件：1.存在信息过载；2.用户没有明确的需求。
基于以上两个条件来看，某些领域天然的具有使用个性化推荐的优势，比如：新闻，用户没有十分明确的需求（可能有比较大类型的口味偏差）且信息量太大；而某些领域天然的不具备这样的条件，比如被寡头垄断的行业（种类太少），或者信息更新速度太慢的行业。
而有些产品就不太适合个性化推荐，比如我经常用的外卖app回家吃饭，不知道哪个版本开始就把推荐的功能放在了核心位置。首先，一个固定地理位置附近的回家吃饭家厨相对有限，根本不存在信息过载的问题，随便翻几下就能翻到底了；其次，对于很多用户来说已经有了部分明确的需求（口味等），一个筛选或者搜索已经够用了。所以这个时候使用个性化推荐，个人认为不是一个投入产出比划算的场景。
作者特别指出了一种独特的个性化推荐——个性化广告，广告是整个互联网的重要商业模式，需要把广告和传统的个性化推荐加以区分：
•狭义个性化推荐——帮用户找到感兴趣的信息——以用户为核心
•个性化广告推荐——帮广告找到对它们感兴趣的用户——以广告为核心
2.2非个性化推荐
非个性化推荐不针对特定用户，对全部的用户推荐同样的信息。非个性推荐的算法比较简单，有些信息完全可以让人工来做（比如互联网运营同学，或者某一领域的专家）。
非个性化推荐可以解决两个问题：1.让全局优秀内容被大家都看到；2.让新加入的优秀内容被发现。
非个性化推荐在实际应用中也同样常用，比如，一个电商网站的top10排行榜，一个音乐网站的专家推荐栏目等等。
2.3小思考
选择个性化推荐还是非个性化推荐，需要根据产品的具体场景来分析，主要取决于供给资源的信息量，供给资源可能是商品、新闻、音乐等等。当然，对于大型平台来说，信息量是让它变大的基础资源，所以各类推荐算法就变得十分重要了，对于一些小的产品来说，还是先把核心精力放在其他地方比较好。
3.个性化推荐算法
个性化推荐算法包含非常的种类，这里可以简单介绍几种比较好理解的协同过滤算法。
协同过滤算法里面比较常用、也比较好理解的有两种：基于用户的协同过滤算法UserCF和基于物品的协同过滤算法ItemCF。这两种都属于基于邻域的方法neighborhood-based。
UserCF的核心思路是，给用户推荐和他兴趣相似的其他用户喜欢的物品。先找到和目标用户兴趣相似的用户集合，再找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。
ItemCF的核心思路是，给用户推荐和他之前喜欢的物品相似的物品。先计算物品的相似度，再根据物品的相似度和用户的历史行为给用户生成推荐列表。
了解UserCF和ItemCF的同时，还需要了解下用户的行为分类。
用户的行为，按反馈的明确性，可以分为以下两种类别：
对于隐性反馈行为数据，只有正反馈数据，所以要进行推荐需要采集负反馈数据，找到负反馈数据，目的是为了不给用户进行推荐此类信息。一般认为，很热门但是用户却没有行为的信息，比冷门信息更能表示用户不感兴趣，因为冷门的信息，用户可能压根没有发现，所以谈不上兴趣。
用户的行为，按反馈的方向，可以分为以下两种类别：
UserCF和ItemCF，对比来看，存在以下差异：
关于个性化推荐算法，还有很多种类，比如隐语义模型、基于关联规则推荐等等，由于篇幅原因，在这里就不一一列举，我整理了个简单的表格供参考。需要指出的是，每种算法都不是最优的，他们都有自身的局限问题，产品需要根据自身的特点来选择合适的算法，解决实实在在的问题。
4.推荐系统的冷启动问题
在第一节我们说到，推荐系统不需要用户主动提供明确的需求，由系统主动推荐信息到用户面前，在用户没有明确目的的时候帮助他们发现信息，冷启动就指的是这个过程中，用户、信息的从0到1过程。
推荐系统的冷启动大概包含三个方面：1.在用户新入驻一个平台时，由于没有历史数据，我们如何给用户做个性化推荐。2、我们的系统新上线了一个物品（商品、音乐、新闻），如何把这个新的信息推荐给感兴趣的用户。3、如果我们从0开始设计，如何在用户少、信息少的情况下来设计推荐系统。
要解决推荐系统的冷启动问题，作者提供了很多办法，这里也就不一一列举，这里需要知道冷启动的概念即可。也推荐有兴趣的朋友购买原书来仔细阅读。
5.推荐系统的其他特性
本书还详细讨论了推荐系统的其他问题，比如基于标签的推荐系统，对于内容种类特别的多的产品还是很有用的，比如豆瓣电影中，你在评价时就可以贴标签上去。由于标签系统一般是UGC的，所以对于大数据分析来说是一种非常好的数据，所以对基于商品的数据分析特别在乎的业务，上标签系统应该是一种特别好的策略。
另外本书还讨论了上下文信息在推荐系统中的应用，缺乏上下文信息会导致很多问题，比如在夏天推荐给用户冬天的衣服，在中关村给用户推荐望京的餐厅等等，为了解决这些问题，在推荐系统中需要引入上下文信息，用来尽可能地提升推荐信息的准确性。
最后，本书还讲了关于社交网络的推荐，这里列举一个我觉得很有意思的社交网络分类：
l社会图谱（social graph）——基于人们的关系形成的，社会。例如：facebook，人人网，微信等
l兴趣图谱（interest graph）——通过人们之间的共同兴趣和信念形成的，社区。例如：twitter，微博，知乎，豆瓣小组等。
可能是我缺乏社交产品的经验，这个分类让我觉得很巧妙，二者都有相互交织的地方，或许双方也都想做对方核心结构内的事情，人与人之间的关系搬到数字空间后发生了多少变化，又有哪些永不改变，仔细想想真是十分有趣。
最后，这本书不仅适合程序员入门看，同时也适合产品经理、运营以及真正热爱生活的人。学习推荐系统的思路，了解推荐系统的基本知识，也能提醒人们思考技术与人之间的关系，在数字世界与物理世界的混合体中，我们该如何相处。
