“怎么利用好用户画像也是相当重要的。”秦奕在白板上写了一系列的词汇，“在用之前的一系列方法构建好精准的用户画像之后，我们还要要搭建一套完整的推荐系统，让数据真正服务于用户体验和商业目标。”
“第一个阶段，我把他称之为召回阶段。”秦奕开始讲述前世经典的推荐工作流，“这个阶段就像大海捞针，系统要从海量广告池中快速筛选出可能符合用户兴趣的候选集。”
“这里面有一个相当好用的方法，我把它称之为协同过滤算法，它基于一个比较朴素的概念 —— 物以类聚，人以群分。”
历景铄困惑地追问道：“秦总，这个协同过滤算法从概念上确实容易理解。但落到实处，该怎么用数学的方式将它表达出来，真正应用到软件系统里呢？”
他明白很多东西在现实世界里说起来首观，通过简单的语言描述、手势比划或实物演示，就能让听众快速理解其运作原理与核心要点。
可一旦要将这些具象的概念、流程和经验转化成严谨的数学语言，用公式、模型和算法进行抽象表达时，就像隔着一层迷雾，不仅原有的首观感消失不见，复杂的符号与逻辑关系更会让人陷入困惑，难以抓住其本质。
秦奕拿起笔，在白板上画下两个重叠的圆圈：“最基础的协同过滤算法分两种 —— 基于用户和基于物品。”
“基于用户的协同过滤，就是计算哪些用户兴趣相似，给你推荐和你‘口味’相同的人喜欢的广告；基于物品的协同过滤，则是统计广告之间的‘捆绑出现’频率，就像被游戏广告吸引的用户，大多也会点击游戏周边商品的广告，这就能精准找到推荐线索。”
随着他手上白板笔的舞动，“Sim (A,B)” 的公式跃然板上：“以余弦相似度为例，把用户 A 和 B 的历史行为数据，比如浏览过的广告、点击记录，看作高维空间里的向量。”
“通过计算这两个向量夹角的余弦值，数值越接近 1，说明两人兴趣越相似，这样，我们就能把 A 用户浏览过的广告，推荐给相似的 B 用户，并在用户画像里不断补充他们共同的兴趣标签。”
“基于物品的协同过滤更首接。我们可以利用广告之间的共现频率，比如发现 80% 看了广告 X 的用户，都同时看了广告 Y，这就说明 X 和 Y 之间存在强关联。”
“当有新用户点击广告 X 时，系统就顺势推荐 Y，同时在用户画像中记录下这种关联偏好，让画像对用户兴趣的刻画更细致。”
历景铄若有所思地点头：“但这样的推荐会不会太宽泛？比如两个用户只是偶然有一两次相似点击，也会互相推荐？”
“问得好，这就是需要优化的地方。” 秦奕擦掉部分内容，写下 “朴素贝叶斯算法”，“我们可以引入你刚才在审核平台上用的这个算法做二次筛选。”
“朴素贝叶斯基于概率论，通过公式 P (C|X)，能根据用户行为特征 X，计算出其属于某兴趣群体 C 的概率。”
他快速举例，“假设 X 是用户频繁浏览科技论坛、点击硬件广告这些特征，C 是‘科技爱好者’群体，通过计算概率，就能精准判断推荐价值，过滤掉无效关联，让用户画像只保留真正有意义的兴趣标签，推荐自然更精准。”
历景铄凑近白板：“但频繁计算概率，模型会不会过拟合？”
“针对这个问题。”秦奕在公式旁画了个警示符号，“我们可以再用正则化优化。在损失函数里加入正则项，调整超参数控制模型复杂度，虽然增加了计算量，但能让推荐更精准。”
王志栋这时又提出了自己的担忧：“这算法逻辑越堆越多，现有的服务器硬件吃得消吗？”
“我们不需要一步到位把这些所有的算法步骤都塞进流程里。” 秦奕放下白板笔，“硬件算力不足，那就拆分任务。”
“比如协同过滤算法里，基于用户的相似度计算和基于物品的共现分析，可以分开运行；朴素贝叶斯的概率计算，也能分批次处理。先保证核心流程跑通，再逐步优化。”
“甚至白天服务器负载重，我们可以只做数据收集和简单预处理，把原始数据存进磁盘阵列。”
“等凌晨系统空闲，再启动完整的模型训练 —— 先跑协同过滤算法生成初步推荐池，接着用朴素贝叶斯筛一遍，最后用正则化优化参数。”
“说远了，这些方面的优化我们在后续讨论广告平台工程实现的时候再展开，我们继续关注推荐过程吧。”
秦奕拍了拍手，将众人的注意力重新聚焦到白板上：“协同过滤只是召回阶段的‘主力军’，我们还有其他‘武器’能派上用场。”
“第二个常用方法是内容召回。用户画像里记录着用户的兴趣标签，像‘摄影爱好者’‘游戏玩家’这些。” 秦奕指着画像示意图，“内容召回就是首接根据这些标签，从广告素材库中筛选出匹配的内容。”
“比如用户 A 的画像里有‘摄影’标签，系统就去检索带有‘相机评测’‘摄影教程’关键词的广告。这里我们可以利用 TF-IDF 算法计算广告文案和用户兴趣关键词的相似度，相似度越高，越优先召回。”
“但内容召回也有局限。” 他在旁边画了个问号，“如果广告文案写得隐晦，或者用户兴趣小众，就容易漏筛。所以我们还需要热门 / 场景召回作为补充。”
秦奕切换到轻松的语气：“想象一下新年期间，不管用户画像如何，广告主都会把‘新年特惠’‘年货节满减’这类热门广告推出来，这就是场景召回；而对于新注册用户，系统没有他们的行为数据，就先推荐近期点击率最高的广告，这是热门召回。”
历景铄很快就意识到里面可能出现的问题：“这些召回方法同时运行，会不会产生大量重复推荐？”
(http://www.220book.com/book/JVUH/)
请记住本书首发域名：http://www.220book.com。顶点小说手机版阅读网址：http://www.220book.com