江苏龙网

  1. 首页 > 人文 > >

那么该如何设计这样一款推荐系统呢，1，—大智慧RES从0到1实战

导语：百万日活的推荐是很多人可望而不可求的 ， 其的设计也并不简单 ， 那么该如何设计这样一款推荐呢？本文基于自己的实际搭建经验 ， 为我们了他的产品设计历程 ， 希望能够帮助大家在搭建的过程中少走一些弯路 。
那么该如何设计这样一款推荐系统呢，1，—大智慧RES从0到1实战
文章图片
前言：
本系列专栏主要讲述本人从0到1搭建RES推荐的一些经验 ， 记录下产品设计的心路历程 ， 以此激励自己不断探索新知识 。
与市面上泛泛而谈的博客不同的是 ， 本文主要从产品的角度 ， 结合行业特性 ， 剖析踩过的坑 。
一、产品架构
【那么该如何设计这样一款推荐系统呢，1，—大智慧RES从0到1实战】任何一款再简单的产品 ， 都需要商业模式和产品架构的设计 。 架构不需要多么复杂、花哨 ， 深入理解行业背景 ， 适合产品规划才是最重要 。
那么该如何设计这样一款推荐系统呢，1，—大智慧RES从0到1实战
文章图片
用visio画的一个比较满意的产品图 ， 基本能把要表达的思路全部画了出来 。
不同于前任设计的基于规则的1.0版本 ， 这次重构主要在于搭建一个可扩展的体系 ， 同时引入数据驱动、算法赋能 ， 而不是拍脑袋决定 。
从产品的角度看推荐 ， 应属于业务应用层 。
推荐的整体流程分为召回、过滤、排序（因为数据量不是非常大 ， 所以不需要粗排、精排）重排序 ， 这次主要讲召回层最易理解但最重要的热门召回 。
二、整体流程
那么该如何设计这样一款推荐系统呢，1，—大智慧RES从0到1实战
文章图片
【那么该如何设计这样一款推荐系统呢，1，—大智慧RES从0到1实战】根据整体流程 ， 发现核心在于热门值的计算方案 。
资讯热度分=初始热度值+用户交互产生热度值-低质量惩罚分暂无*时间衰减系数 。
1. 初始热度值
1不同类别的文章给与不同的权重
根据用户数据反馈 ， 选择其中某些热门主题类型的文章 ， 同时综合考虑高质量的类目 ， 给与较高的权重 。
类别初始热门值：
2人工构建热门词库
新媒体的专家是最懂行业 ， 最懂当前热点的了 ， 引入人工规则 ， 维护一张热门词库 。
那么该如何设计这样一款推荐系统呢，1，—大智慧RES从0到1实战
文章图片
字段类型说明：
热词idstring自增 ， 主键热门词string不可为空 ， 不可重复状态string枚举值：
对文章进行提取关键字 ， 进行匹配 ， 根据匹配程度适当提升热门权重 。 提取关键字的算法也很简单 ， 利用textrank ， 弥补tf-idf无法提取上下文关系的劣势 ， 取共现词topN 。
作为关键词 ， 当然前置工作有去除停用词 ， 后置工作有同义词归并等等 ， 所以NLP的底层基础能力很重要 。
3自动发现热词
2. 交互热度值
取前M小时用户的不同行为赋予不同的分数 ， 如【具体分值根据数据表现配置】
几个核心的点：
评论：无法单一的根据内容得出用户的偏好 。 需要对内容做正负面分析 。
采用经典的hacker news的排行算法：
那么该如何设计这样一款推荐系统呢，1，—大智慧RES从0到1实战


推荐阅读


上一篇：专注为下沉市场小B端客群科技金融服务，宣布完成千万级Pre-A轮融资

下一篇：沙漠雄鹰|大言不惭！蓬佩奥放出豪言：美国有能力对伊朗恢复所有制裁