从用户场景看什么是推荐系统

　　推荐系统的本质是什么？使用场景有哪些？在本文中，作者对推荐系统展开分析，希望对你有所帮助。
　　一、推荐系统的本质是什么？
　　很早很早之前，信息很少，我们的信息获取和查找也很不方便，即便是有了电脑和互联网，我们也极少采用“线上解答”的方式，我们凭借以往的经验，快速获取自己的目标信息。
　　慢慢的信息量变大了，我们需要分类来协助我们查找信息，这时出现了门户分类网站；再后来，信息过载了，分类也无法帮助我们快速获取信息，搜索引擎出现了，我们可以直接输入自己需要的内容，搜索引擎就会列出“可能需要”的内容给我们。
　　随着互联网的发展，我们从信息匮乏进入到信息过载的时代。信息需求者需要快速在海量信息中获取自己的目标信息，信息提供方需要帮用户过滤掉无关的干扰信息，让用户真正关心的内容脱颖而出，在这种双向需求下，就有了推荐系统。
　　对用户而言，推荐系统不需要用户提供明确的目标。
　　对物品而言，推荐系统解决了二八现象，让小众的物品也有机会展示到可能需要它们的用户面前。
　　二、推荐系统的使用场景
　　推荐系统随处可见，也无处不在。拿几个常规的场景举例：
　　你是个剁手党，要买买买才能感到幸福，总有些时候你也不知道要买什么，可就是想买，淘宝首页往下拉，有个猜你喜欢
　　你是个充满文艺细胞的音乐发烧友，要听点音乐才能睡觉觉。可是今天你有点郁闷，你没有点开你的个人歌单，你不知道要听些什么，你停留在首页，点开了系统为你精心准备的推荐歌单
　　你毕业了，来到深圳，接到了第一通面试电话。你很兴奋，尽管对这个城市一无所知，可是这通电话却代表了深圳欢迎你，你迫不及待的打开了地图，你输入了起点和终点，想看一下公司和自己距离，系统推荐了几条路线给你。
　　如果你不满意这个推荐结果，你不想坐地铁，你想坐公交，你想顺道看看这个个城市。你可以通过点击推荐路线按照你自己的意愿进行选择，选择不坐地铁或其他。
　　你觉得无聊，打开了微博，想看看大家现在都在关注些什么，你点开了搜索框，看到了微博热搜榜。
　　你热爱美食，那一定不能错过的就是大众点评。
　　今日头条就不用多说了，你和我和他看到的内容都不一样。
　　猜你喜欢、推荐歌单、推荐路线、热搜榜单、美食推荐、头条推荐这些都是推荐系统的输出内容。
　　这里要注意的是推荐系统和搜索引擎是两种东西，有人会误以为百度就是一种推荐系统，因为它向你展现了信息列表，也为你推荐了你可能感兴趣的内容（右侧），实际上搜索引擎是包含了推荐系统的，且推荐系统不需要明确的目标，搜索引擎需要。这里用两个具象的例子来说明一下：
　　举例1：你进入某电商产品首页，就会有一些展示的商品即结果，但是你在搜索引擎的页面，除了大大的输入框和广告，没有结果。
　　举例2：你在某搜索引擎输入关键词A，得到搜索结果列表B，右侧内容推荐列表C。B和C的出现和排列，都属于推荐策略的一种。
　　三、推荐系统存在的意义
　　1、降低信息过载
　　信息爆炸时代，罗列所有的信息，等同于给用户添麻烦，因为用户根本无从下手。而且信息的利用率也会十分低下。需要推荐系统帮助用户筛选信息，过滤掉相关度低、完全不相关的信息、价值低和用户不感兴趣的信息。
　　2、发掘长尾
　　经济学有个非常出名的理论，叫做长尾理论（Thelongtail）。大意说的是：受一些因素的影响，人们通常只关注到头部的信息，也就是最热的一小部分资源受到绝大部分人的关注，剩下的绝大部分资源却鲜有人问津。当某些限制因素慢慢变宽松，消费者可以根据兴趣喜欢选择目标资源，几乎任何以前看似需求极低的产品都有机会展现在用户面前。
　　推荐策略即是如此，通过发掘用户的行为，找到用户的个性化需求，从而将长尾商品准确地推荐给需要它的用户，帮助用户发现那些他们感兴趣但很难发现的商品，让很多口味偏小众的用户找到自己感兴趣的内容，而不是千篇一律的浏览大热门。
　　3、帮用户找答案
　　一部分用户需要借助一些智能推荐算法帮自己更快、更准确的获取信息，一部分用户根本不知道自己要什么，需要你来告诉他。举个例子：
　　你饿了想买点吃的，出门走到一个超市，超市很大，有三层，你懵了。你要考虑两个问题：吃的在哪，你吃什么，这两个问题都很关键。
　　这个时候导购A走过来告诉你，上二楼零食区和熟食区。到二楼你依旧不知道要吃什么，这个时候导购B走过来告诉你，今天的麻辣牛肉做促销，免费品尝。
　　你尝了一下，还不错。导购C手上拿了两瓶牛奶向你推荐。于是，在你完全不知道买什么，且没有特殊要求的情况下，你买了牛肉和牛奶。
　　在这个例子里，A是商场的推荐系统，B和C是商品的推荐系统。
　　4、提高用户转化率
　　当你的产品可以很好的满足用户的需求，提供更好的选择、帮助用户进行决定、减少用户的决策时间，用户不仅会多次访问站点，转化率也会得到很好的提升。
　　最直接的例子就是淘宝，为什么总有人剁手剁手又剁手，却还是忍不住要淘宝。
　　你买完了A，淘宝为你推荐了B，你一想：是啊，我缺，我缺，我都缺。我买，我买，我都买。
　　5、深度了解用户
　　每当系统推荐的物品成功引起用户的注意甚至是喜爱和购买，不仅是用户越来越喜欢你，用户在你眼里的画像也越来越清楚。
　　举个很俗的例子，一个多人互动小游戏《你画我猜》，A不断的从B身上获取正确的信息，从而在自己的脑海中一步步形成答案的画像。
　　推荐系统就是将用户在清晰化的过程。可能，你会发现，到最后，最了解用户的不是她的男朋友，是你。最典型的就是今日头条了，通过用户的行为、兴趣标签、信息的时效性和热门程度为不同的用户展现不同的信息，这种服务可以让拥有各种各样需求的用户都能在自家平台上得到满足。
　　四、推荐系统的推荐算法
　　实际上，推荐算法早在1992年就有了，实际上火起来是最近几年。那个年代信息传递也偏传统，信息量就有了，实际上火起来是最近几年。那个年代信息传递也偏传统，信息量也少，这个时候火起来一是基于互联网，二是基于大数据。在整个推荐算法的发展过程中，有过各种各样的算法，到现在依然有很多。但是不论怎么发展和演变，如何复杂，推荐的基本条件是不变的：
　　根据你的关键词推荐
　　根据你的历史行为推荐
　　根据你喜欢的物品A向你推荐和它类似的B
　　根据和你有共同喜好的人来推荐
　　根据以上几种条件的组合进行推荐
　　基于以上条件，推荐的算法大致可以分为以下几类：
　　基于流行度的算法
　　协同过滤算法
　　基于内容的算法
　　基于模型的算法
　　混合算法
　　这里必须要说一点，最影响用户体验的不是算法多牛逼，而是你采用了什么样的推荐算法，很多人容易掉进一个坑里：是用协同过滤算法还是基于内容去推荐？
　　推荐系统的本质在于加强联结，发挥信息的最大价值，给用户源源不断发现新信息的机会。选择哪种推荐算法取决于产品本身的定位和特征，比如头条就是基于物品的协同过滤算法，淘宝是基于用户的协同过滤算法，虽然都是系统过滤，结果却大不一样。
　　再比如，如果你采用的是基于用户的协同过滤算法，如果用户的数据特征不清晰，而且用户行为又集中而稀疏，那就意味着你只能依赖更多的内容了，或者是参照豆瓣，让用户来打标签。