五对混合推荐系统的思考( 六 ) _推荐系统

实时个性化推荐基于用户最近的行为近实时更新用户的推荐列表，对计算能力、算法、服务响应等都有极高的要求。从用户最近的行为获得用户短期偏好，这算是一种推荐算法，将短期偏好获得的推荐结果与原来T+1推荐结果融合推荐给用户也是一种算法的混合，一般可以采用加权的混合方式，最粗暴的方式是将短期偏好推荐结果置于最高的权重，直接放在推荐列表最前面，我在《基于标签的实时短视频推荐系统》(点击蓝色字体阅读文章)这篇文章中对电视猫实时短视频推荐实现原理进行了详细介绍，感兴趣的读者可以参考。
用户近实时推荐怎么跟用户的长期兴趣混合，在推荐列表中整合用户实时兴趣偏好，是实时推荐系统中非常重要、非常关键的技术。
2
深度学习等复杂推荐模型整合多数据源
深度学习等复杂模型这几年在工业界得到了大规模的应用，在推荐系统中也发挥了重要的价值(读者可以参考我之前写的一篇文章《深度学习在推荐系统中的应用》(点击蓝色字体阅读文章)进行深入了解)，深度学习可以将多种数据整合到一个模型/框架中，获得非常好的推荐效果(如2016年的深度学习推荐系统，可以非常容易整合多种信息进行统一学习，见参考文献7) 。深度学习模型这种具备整合用户行为数据、标的物数据、用户画像数据等数据的能力，是非常有优势的，相当于将协同过滤、基于内容的推荐等多种算法的能力融合到一个模型中，虽然不是直接将多个模型融合，不在第三部分7大混合推荐方式之列，但这也算是一种多数据源能力的融合，通过整个多数据源获得比古典的单个推荐模型更好的效果。
3
特殊情况下的处理策略
推荐系统属于互联网软件服务，任何软件服务都存在不确定性，因而会存在一定概率出现问题，对推荐系统也不例外。当由于网络故障或者服务故障导致推荐服务不可用时，如果在客户端(即APP上)不做异常保护和处理，用户访问推荐服务时，会超时，导致无任何推荐结果返回，整个UI展示都将出问题，出现开天窗的现象，这时就需要前端做保护，在极端情况出现时，给出一组备选方案展示出来，这样虽然推荐的结果不会那么精准，但不至于什么结果都没有，明显可以提升用户体验。具体的做法可以是在APP启动时，客户端通过一个独立的接口获得一组默认推荐(比如热门推荐)存入客户端本地存储中，当故障出现时，就用这一组默认推荐来填补，这种策略其实是一种分支混合推荐策略(第三节中的混合策略5)，分支出现的情况就是正常的推荐服务出现问题的时候。
4
推荐数量不足的增补
在真实工业级推荐场景中，最终的推荐算法一般会给出固定数量的推荐结果(比如50个，但是在前端可能只展现30个)，由于标的物会出现下线、不可用(视频下线、商品下架等)等情况，当用户在客户端请求推荐服务时，推荐接口先获取推荐列表(一般是一组标的物的id)，再根据列表的id获得标的物的信息，填充完整后返回前端并展示给用户，这个过程中会对标的物id进行过滤和检查，如果下线了或者不可用了会剔除掉。如果某个用户的推荐列表下线的标的物比较多(这种情况出现的概率一般不大)，导致最终数量不够前端展现时，一般会采用补足的策略，比如利用热门推荐的结果填补不足的数量，最终获得规定好的数量(如前面提到的50个)，这个利用另外一个推荐算法(如热门推荐)来填补的策略就是掺杂混合策略(第三节的第3个混合推荐策略)
5
通过混合策略解决用户冷启动
真实业务场景下的推荐系统不可避免会存在用户冷启动问题，特别是对于提供toC服务的、成长型的互联网公司，发展用户是非常重要的事情，这时每一个发展来的新用户，对于推荐系统来说就是冷启动用户，怎么给这些新用户推荐就是非常重要的事情，因为如果推荐质量不高用户可能会流失。如果产品没有要求用户在刚登录注册时填写自己的兴趣偏好，我们是不知道新用户的兴趣偏好的，那么对于新用户，在他从新用户转化为老用户(行为足够多，可以用协同过滤等算法为他生成推荐结果)的这一阶段我们该怎么给他进行推荐呢？