我们登录淘宝浏览、购买最近想买的文具,在“支付完成”页面的下方还看到了喜欢的衣服;打开网易云音乐听歌,推荐歌单中的歌好像都不错;抖音好像有种魔力,一直出现我们喜欢的视频。在一个个 App背后好像有一个“小人”,他了解你的喜好,并且在你使用App的时候,还能将你感兴趣的内容推送给你。
其实,这些 App 背后并没有什么“小人”,完成这一切的是推荐系统。App利用推荐系统抓取你的历史行为、社交关系、兴趣点或是所处环境等信息,试着将你感兴趣的内容找出来。
推荐系统起始于20世纪80年代。随着互联网的发展,后期人们倾向于使用搜索引擎。只需在搜索栏中输入关键词,就能获得一连串与之相关的信息。可是搜索出来的结果越来越多,如何为它们排序、如何选择最适合我们的信息依然是一个难题。于是推荐系统就有了用武之地,它可以负责信息的挑选和排列,我们也可以将它理解为信息过滤系统。
人们最早构建推荐系统时,使用的是基于内容的推荐方法。根据物品的属性为它们打上标签,通过标签计算物品之间的相似度,然后将相关联的物品推荐给用户。比如有人喜欢看动画片《天气之子》,那么他大概率也会喜欢看《你的名字》,因为它们都是“新海诚”导演的 “动画”“剧情”电影。
不过基于内容的推荐方法有显而易见的缺点。图书类商品具有独特性,每本的内容都不同,而其他类别的商品中,同类、同款商品却有很强的同一性。比如我购买了很多物美价廉的洗衣液,估计能用很久,在这种情况下,我不需要再接收其他洗衣液的促销推送。但同时还有很多东西可能是我们需要的,比如衣领清洗剂、衣物柔顺剂或衣物消毒液等。
于是,可爱的程序员们开发了协同过滤算法。就像在日常生活中我们会让兴趣相投的朋友帮忙推荐电影或者音乐,协同过滤的做法就是通过行为、标签等数据,寻找与我们的行为、兴趣相似的用户,通过分析这些用户的行为向我们推荐可能让我们感兴趣的物品或内容。
推荐系统的能量远比想象中大得多。比如在教育领域的在线教育场景中,推荐系统根据学生的答题情况对学生制作用户画像,可根据学生的学习程度为其推荐适合的题目和需要巩固的知识。在金融领域中,分析以往用户的交易数据、账户状况,制作不同的用户画像,可根据市场和环境的变化为用户推荐合适的理财产品。只要有用户、有个性化需求,就有推荐系统的用武之地。
我们在使用各类App时不妨思考一下,哪些是App希望我们感兴趣的内容,而哪些是我们真正感兴趣的内容!