第129章 個性化推薦是天使還是惡魔

 “啊，沒事兒，姑娘你是不累了，要不咱們今天去你外婆家，咱不多待了，咱明天就回家，反正離的也不遠，我和你爸平時也都常去。”李媽選擇迴避了李爸的問題，原因是李媽想到明明李珊是回家休假的，可現在看來非但本身的工作量沒有減輕，現在他們老兩口反而又給李珊增加了“工作量”，之前總是想讓李珊和他們二老多聊聊天，他們也好多瞭解一下平時李珊的工作狀態，於是是到處蒐羅和法律相關的例子，就想著回家能和李珊聊聊天，但殊不知這種性質的“聊天”對於他們二老屬於放鬆，因為大部分的聊天內容屬實是左耳進右耳出了，但是對於李珊來說其實不亞於日常工作時接待一個不懂法律的當事人的答疑工作，可以說自從李珊回家後，不是坐在電腦桌前忙著自己的工作，就是被動地接待他們二老給他們二老答疑，這不是根本就沒休息嘛！想到這裡，李媽搶在李爸開口前，率先扔出一個不費腦筋的話題，就想著給李珊的大腦解解綁、鬆鬆勁。 

 可是李珊剛剛才被李爸的提問激起了對未來規劃的躊躇滿志，現在聽到李媽轉移話題，當然是不幹了，現在對於李珊來說什麼待幾天的問題和她的賺錢大業比起來都不重要，現在的李珊只想通過李爸李媽的口瞭解到更多普通人關於法律最想知道或者比較困惑的點，那正好可以成為李珊運營自媒體的素材庫的來源，這不妥妥的是天賜的商機嘛！所以李珊趕緊調整話題的走向，主動問向正在開車的李爸， 

 “爸，你剛才說你是刷視頻看到的，你是通過抖音、快手還是微信裡的小視頻啊？” 

 “啊，是微信裡面的，就是平時回完微信然後順便刷著看到的。”經過李媽的提點，李爸發現這兩天確實李珊太累了，不是在電腦前忙工作，就是在忙著解答他們二人的問題，根本就沒得到真正的休息啊，所以面對李珊的主動提問，李爸也沒有順勢問出自己更多的疑問。 

 但是李珊此時卻想探究更多的關於自媒體運營的渠道、方式的信息，所以李珊又再次拋出了問題，問道： 

 “爸，你平時有關注這類的賬號嗎？” 

 “也沒有特殊關注，可能就是這兩天系統給我推這類視頻的時候，我停留的時間長一些吧，關鍵不多看一會兒根本不知道視頻說了個什麼事兒。” 

 李珊總結可能是系統根據用戶偏好進行的自動推薦即個性化推薦，這個自動推薦功能好像是每個平臺都有的，而且有的時候不同的平臺之間好像還會進行用戶偏好的互通，就像有的時候會出現當自己在微博上搜索一件物品時，隨即打開淘寶，居然自動推薦的就是剛剛在微博上搜索到的物品，最開始李珊遇到的時候只是覺得可能是個巧合，但是次數多了，相信任誰也不能覺得這是巧合了，其實李珊那時候在想的是這種自動推薦有沒有涉嫌侵犯消費者或用戶的個人隱私，如果手機在任何App裡搜索的信息都會上傳到一個終端用於蒐集用戶偏好以進一步精準推薦達成成交率高的目的，那麼是不是每個人在手機上進行的所有操作都會被背後一雙看不見的眼睛注視著，那如何還有隱私可言啊？所以那個時候李珊根據這個大膽的設想，進行了一番研究。 

 所謂的個性化推薦的運行機制是：構建個性化推薦的基礎是處理“人”與“信息”之間的關係，這裡的信息指的是“物品信息”（在電商平臺就是“商品信息”，在短視頻平臺就是”視頻信息“），而人指的是”人“的興趣點，個性化推薦系統往往會通過用戶註冊時填寫的個人信息、用戶的歷史瀏覽信息等對其進行推斷。通過對用戶的年齡、愛好等信息進行收集，再用算法進行分析所收集的數據，用戶的興趣體系逐漸被建立並完善，形成互聯網上常說的用戶畫像。例如用戶如果常常瀏覽日漫、漫展等物品，個性化推薦系統便可能捕捉到這一信息，給該用戶標記上二次元等用戶標籤。同時，系統對物品信息也會做進一步的數據挖掘工作，從而形成物品畫像。在構建好用戶畫像和物品畫像之後，個性化推薦系統會利用所有收集到的數據去聯繫“人”和”物品“。個性化推薦主要分成召回和排序兩部分，召回的主要作用就是儘可能地找到用戶可能感興趣的物品，其中最經典的算法便是協同過濾算法。 

 協同過濾算法，顧名思義，協同過濾就是協同大家的反饋、評價和意見一起對海量的信息進行過濾，篩選出用戶可能感興趣的物品的過程。根據技術實現不同，協同過濾算法又可分為基於用戶相似度的userCf、基於物品相似度的itemCf和基於隱向量表達的矩陣分解Cf。 

 基於用戶相似度的協同過濾userCf的主要思想是興趣相似的人喜歡相似的物品，簡單來說，就是推薦給你和你瀏覽行為相似的用戶所喜歡的物品。 

 基於物品相似度的協同過濾itemCf則是從用戶有過行為的物品下手，推薦給你與你喜歡的物品相似的物品。例如你今天看了一部《蠟筆小新》，那麼就推薦給你算法認為的與《蠟筆小新》比較相似的《哆啦A夢》等動漫。 

 基於矩陣分解的協同過濾，矩陣分解Cf的思想更為直接。它把用戶與商品的交互行為表示為一個矩陣，其中矩陣的行和列代表用戶與商品，矩陣的元素代表用戶對商品的交互行為（如點擊與評分等）。矩陣分解Cf希望將交互矩陣近似地分解為一個用戶隱含表示矩陣和一個商品隱含表示矩陣的乘積，從而填補交互矩陣中未知的元素。在協同過濾算法之後，還出現了很多更復雜的召回算法，例如基於內容的算法等，究其本質還是基於相似度的推薦。同時，為了更全面地覆蓋用戶的多樣興趣，推薦系統往往會採用多路召回的機制，使得生成的候選商品更加全面多樣。