當(dāng)我們打開一個(gè)資訊APP刷新聞時(shí)，有沒有想過，系統(tǒng)是如何迅速推送給我們想看的內(nèi)容？資訊APP背后有一個(gè)巨大的內(nèi)容池，系統(tǒng)是如何判斷要不要將某條資訊推送給我們的呢？這就是今天想跟大家探討的問題——推薦系統(tǒng)中的“召回”策略。

推薦系統(tǒng)中的召回

召回策略主要滿足的是能夠從海量的數(shù)據(jù)中召回一部分相關(guān)的候選集，在實(shí)現(xiàn)方法上也有很多種，主要可以分為離線召回和在線召回。離線召回的方法主要有協(xié)同過濾、聚類算法。協(xié)同過濾可以分為基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾。在線召回主要是基于搜索的方式，從該用戶的歷史記錄中利用不同的算法抽取相關(guān)信息，這里的相關(guān)信息可以是物品的基本信息，也可以是離線標(biāo)注的標(biāo)簽，然后將這些抽取到的關(guān)鍵信息從索引中快速的查詢出相關(guān)的結(jié)果集。

Elastic Search與TF-IDF

Elastic Search是基于Apache Lucene(TM)的一個(gè)開源搜索引擎，是一個(gè)分布式且具有高擴(kuò)展性的全文檢索的搜索引擎，而且還提供了近乎實(shí)時(shí)的索引、分析、搜索功能。 Lucene是現(xiàn)今搜索領(lǐng)域被認(rèn)為速度最快、性能最穩(wěn)定、功能最全的搜索引擎庫，而Elastic Search是以Lucene為核心進(jìn)行二次開發(fā)的搜索引擎，主要完成索引和搜索的功能，它可以通過簡單的接口隱藏Lucene的復(fù)雜性，從而讓整個(gè)搜索引擎變得更方便。

在基于內(nèi)容推薦的算法中，關(guān)鍵詞的提取是至關(guān)重要的一環(huán)，關(guān)鍵詞提取直接影響了物品相似度計(jì)算的效果。假如沒有關(guān)鍵詞提取的話，物品全部信息作為特征維度會造成維度災(zāi)難，使得維度巨大，且構(gòu)造的矩陣會相當(dāng)稀疏，不利于計(jì)算。在關(guān)鍵詞提取的過程中，TF-IDF算法是很有效率的一種算法。關(guān)于TF-IDF算法我們不再這里展開詳述。

Elastic Search與推薦系統(tǒng)的結(jié)合

Elastic Search的搭建過程可以參考官網(wǎng)。安裝配置完成Elastic Search之后，當(dāng)數(shù)據(jù)進(jìn)入Elastic Search并完成分詞和索引以后，現(xiàn)在只能夠根據(jù)指定輸入的詞語進(jìn)行搜索，與推薦系統(tǒng)并沒有任何聯(lián)系。因此，我們可以根據(jù)用戶的歷史記錄進(jìn)行TF-IDF構(gòu)造關(guān)鍵詞并且輸入Elastic Search，采用倒排索引的方式進(jìn)行存儲，以便全文搜索。

簡單來說，用戶的瀏覽、收藏等行為會被記錄在數(shù)據(jù)庫中，推薦系統(tǒng)會收集用戶的各種行為記錄，利用TF-IDF關(guān)鍵詞提取算法，實(shí)現(xiàn)一個(gè)概率模型，這個(gè)概率模型可以計(jì)算出近期用戶記錄中用戶偏好的關(guān)鍵詞，由于這些關(guān)鍵詞由用戶的記錄產(chǎn)生，因此就具有了個(gè)性化的特性，再將關(guān)鍵詞輸入到Elastic Search，就可以召回與用戶強(qiáng)相關(guān)的內(nèi)容集合。

利用這種方法搭建的推薦系統(tǒng)，其優(yōu)勢也很明顯：一是能夠?qū)?nèi)容池中的所有物料做可計(jì)算的精細(xì)整合，實(shí)現(xiàn)對所有物料的召回，特別是對長尾物料的召回，從而極大地提高物料利用率；二是自帶物品冷啟動，在沒有大量用戶數(shù)據(jù)的情況下也能實(shí)現(xiàn)個(gè)性化推薦，并且讓用戶對推薦結(jié)果滿意。

獲取更多詳細(xì)資料，或申請產(chǎn)品試用，歡迎訪問第四范式智能推薦產(chǎn)品先薦官網(wǎng)！本賬號為第四范式智能推薦產(chǎn)品先薦的官方賬號。本賬號立足于計(jì)算機(jī)領(lǐng)域，特別是人工智能相關(guān)的前沿研究，旨在把更多與人工智能相關(guān)的知識分享給公眾，從專業(yè)的角度促進(jìn)公眾對人工智能的理解；同時(shí)也希望為人工智能相關(guān)人員提供一個(gè)討論、交流、學(xué)習(xí)的開放平臺，從而早日讓每個(gè)人都享受到人工智能創(chuàng)造的價(jià)值。

審核編輯 黃昊宇