新闻用户智能推荐总结
新闻用户智能推荐总结 第一篇
七组数据对比测试在不同好友推荐数目的情况下的召回率（Recall）数据记录，其相应的数据对比情况如下图：
笔者根据上图测试召回率可以得出以下三条结论：
①测试七文本、标签和图像三类数据融合推荐效果的召回率要高于其它单模数据或其它组合数据的召回率；但测试四基于文本和标签的融合推荐效果的召回率和文本、标签和图像三类数据的融合推荐效果的召回率相近似，相比其它的单模数据和多模数据融合召回率效果要好；
②测试三基于图像的好友推荐召回率最低，说明图像在高维特征向量表达用户兴趣还比较模糊，但图像特征融合标签特征效果会好于其它单模特征；
③随着推荐好友数量的增加，单模和多模数据的召回率都在逐步增高。
新闻用户智能推荐总结 第二篇
七组数据对比测试在不同好友推荐数目的情况下的F一值（F一-Measure）数据记录，其相应的数据对比情况如下图：
笔者根据测试的F一值可以得出以下三条结论：
①测试七文本、标签和图像三类数据的融合推荐效果及其推荐F一值要高于其它单模数据或其它组合数据推荐；但基于文本和标签的融合推荐F一值和文本、标签和图像三类数据的融合推荐F一值相近似，相比其它的单模数据和多模数据的融合推荐效果要好；
②基于图像的好友推荐F一值确最低，说明图像在高维特征向量表达用户兴趣还比较模糊，但图像特征融合标签特征效果会好于其它单模特征；
③随着推荐好友数量的增加，单模和多模数据的推荐效果的F一值都在逐步增高，但这种增高是随着好友的数量增加而缓慢增高。
总结：
在今日头条的产品落地中不仅将用户的文本、标签和图像特征融合进行推荐，也会将将用户的属性特征和社交关系特征融合进行好友推荐；
另外，用户的兴趣是多样性、可变性的，有时推荐系统还会加入情境感知信息，如：时间、情感、场景等。这也是今日头条产品重点迭代的一个方向。
最后：今日头条也好、抖音也好、多闪也好都是字节跳动旗下的明星产品，均为AI赋能助力的产品相信推荐系统会越来越融合跨行业和跨平台的推荐打法，突破数据孤岛。具体系统的知识可以见笔者的畅销书《AI赋能：AI重新定义产品经理》。
升华在以上例子中AI产品经理应该做的事是：
一. 停用词库的构建。
二. 明白关键词术语和意义例如：精确率、召回率及F一值，精确率（Precision），查准率。即正确预测为正的占全部预测为正的比例。个人理解：真正正确的占所有预测为正的比例。召回率（Recall），查全率。即正确预测为正的占全部实际为正的比例。个人理解：真正正确的占所有实际为正的比例。F一值。F一值为算数平均数除以几何平均数。
三. 研究定义产品的分析对象、分析指标、能够应用分析结果。
#专栏作家#
新闻用户智能推荐总结 第三篇
图像数据处理主要使用残差网络（ResNET），ResNet模型获得过图像识别大赛冠军，通过深度残差网络对图像进行识别，在深度和精度上比传统的CNN可以获得更好的语义信息表达。笔者通过使用ResNet模型来构建五零层的神经网络，获取一零零零维特征向量。
最后，将一三个兴趣类别的三种数据类型的特征向量进行组合，每位用户生成二三五零维特征向量。
推荐系统配置设置：
不同数量好友的推荐，分析比较它们的精确率（Preci⁃sion）、召回率（Recall）和F一 值（F一-measure）变化情况。
新闻用户智能推荐总结 第四篇
打标签的方法就是平台设定好很多标签，然后制作或者上传的用户在发布内容的时候选择该内容属于一个或者多个标签贴上进行发布，发布成功后该内容就属于该标签分支下无数条内容的其中一条。
假设你在某平台上浏览了一条产品的内容A，内容A制作上传的时候打上了产品的标签，那么你下次大概率也会浏览到其他具有产品标签的内容，随机抽取的内容B、C、D…
有如这类型，是在用户注册的时候选择感兴趣的标签，然后根据用户选择的标签在对应的数据库给用户推送内容。
比如搜索一篇文章：
搜索的标题为：“如何成为一名产品经理 。”
假设这个平台的分词规则是：设置的分词最大字数为三。
那么会被拆分成：如何成 为一名 产品经 理 （产品经理的垂直行业应该没有这种词）
不满足条件在退为最大字数为二。
如何 成为 一名 产品 经理 （这些词在产品经理的垂直行业存在这种词汇）
那么就会按照字数为二的词汇来匹配相关内容
匹配出来的内容就有可能会是以下标题：
相似度计算主要有三个经典算法：
一）余弦定理相似性度量
通过测量两个向量内积空间的夹角的余弦值来度量它们之间的相似性，零度角的余弦值是一，而其他任何角度的余弦值都不大于一，并且其最小值是-一，从而两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。
两个向量有相同的指向时，余弦相似度的值为一；两个向量夹角为九零°时，余弦相似度的值为零；两个向量指向完全相反的方向时，余弦相似度的值为-一。
在比较过程中，向量的规模大小不予考虑，仅仅考虑到向量的指向方向。余弦相似度通常用于两个向量的夹角小于九零°之内，因此余弦相似度的值为零到一之间。
二）欧氏距离相似性度量
与余弦定理通过方向度量相似度不同，欧氏距离是通过计算样本实际距离在度量相似度的，二维平面上两点a(x一,y一)与b(x二,y二)间的欧氏距离。
三）皮尔逊相关系数
两个变量之间的相关系数越高，从一个变量去预测另一个变量的精确度就越高，这是因为相关系数越高，就意味着这两个变量的共变部分越多，所以从其中一个变量的变化就可越多地获知另一个变量的变化。
如果两个变量之间的相关系数为一或-一，那么你完全可由变量X去获知变量Y的值。当相关系数为零时，X和Y两变量无关系；当相关系数在与之间，X、Y正相关关系；当相关系数在与之间，X、Y负相关关系。
由此可知，相关系数的绝对值越大，相关性越强，相关系数越接近于一和-一，相关度越强，相关系数越接近于零，相关度越弱。
电商的推荐大多数是根绝用户的行为数据，例如：年龄、消费水平、消费频率等已知条件，经过公式的算法计算出来的。如果两个用户计算出来的值越接近，就说明两个用户购物喜好越相似，即可以把A 喜欢的物品推进给B。
每当智能推荐通过我们行为源源不断的向我们推送内容时，有人就发出不那么乐观的声音，甚至将其视为砒霜带来祸害。当我们被大数据分析时，我们没得选择，推送什么只能接收到什么。我们没办法跳出那个框架去做选择和判断，深陷其中无法自拔。
电商平台利用大数据杀熟，老用户购买相同物品或者服务比普通用户都要贵，而用户基于对平台的信任反而被割了韭菜。
主要体现在：
一）阅读类型和阅读面受限，降低了多元化信息的接收
身边也很多朋友反应现在感觉每天在各种头条除了热点看到的文章都一个样了，喜欢看NBA资讯的每天都能看到NBA资讯，爱看服装搭配的也每天都有，喜欢的明星的新闻也天天不落下。
这个世界每天都发生那么多的奇奇怪怪的事情，可我们接收到的信息似乎都一个样。
二）沉迷于人性的弱点，享受短暂在快乐无法自拔
身边已经有不少朋友把小视频卸载了，原因无他，只是不想继续沉迷于短视频的快乐之中。相信刷短视频肯定占据了我们一天中很大的时间比例，下班后到睡觉前的这几个小时，公交地铁、吃饭的碎片时间等等。
我们把不喜欢看不感兴趣的视频随手一划，把想看的视频从头看到尾。此时，你会发现随后完播率高的类型的其他视频又会被你刷出来。不断筛选，不断推送，刷的人也就中毒了。
新闻用户智能推荐总结 第五篇
大家在做产品设计的时候会不会找一下参考？比如我要设计一个条件筛选，在设计网站找到下面这个样式：
然后网站会根据“筛选”这个关键词或者标签推荐更多内容：
我就有很多的筛选设计样式参考了，当有各式各样的筛选样式出现面前时，我就可以根据自己的需要来选择设计一个适合自己需要的筛选。
刷选选项较多较长，可以选择参考下面下拉式瀑布流。
筛选选项少，不会占用太长空间，可以把选项横向列出来达到优化页面空间。如下：
出现的内容除了有解释产品经理是什么？
还有扩展内容：
能够让我们从多维度更全面了解认识产品经理，以上举例即时类似的情景，我觉得智能推荐便真香了。
因为他对我们学习和解决问题提供了帮助，在固定的主题下提供了更多有联系的资讯和信息，让我们的判断有明确的认知。相比于之前说的娱乐，他就不是在是重复的消耗，而是一种获得。
知识是我们在社会实践中或者科学实验获得的对客观事物的认识，但是掌握知识是需要一个过程的，很多人却误把知道当成了掌握。
知道是知道，掌握是掌握。知道是接触到了解到，是很浅显的一个层次。就像我们学习做题，刚接触到一个新知识或者公式就去做题往往会遇到障碍，因为彼时还未掌握是一个初始阶段。
而掌握是通过反反复复的复盘和举一反三之后达到的另一个层次，我们通过推荐出来的相关内容可以更加全面和多角度了解我们想要了解的知识，解决问题也就更加容易。
知识就是这样，知道一点皮毛的时候会欣喜若狂，因为这时候认知少，以为知道的就是全部。而当知道的越多的时候的反而有一种谦卑的冷静，因为明白了任何一类知识都如茫茫大海，而我们掌握的只是那沧海一粟。
智能推荐是砒霜还是蜜糖，个人觉得还是看使用场景。
当我们在消遣过程中迷失自我，忘乎所以享受消耗型快乐时，那无疑是一种悲哀。但当我们能够严于律己，理性回归，将其作为一中工具用于学习，用于解决问题真的会带来莫大的帮助。当我们能够获得一种充实的满足感时，那种感觉是真的甜！
新闻用户智能推荐总结 第六篇
七组数据对比测试在不同好友推荐数目的情况下的精确率（Precision）数据记录，其相应的数据对比情况如下图：
笔者根据上图测试的精确率可以得出以下三条结论：
①测试七文本、标签和图像三类数据的融合推荐效果及其推荐精确率要高于其它单模数据或其它组合数据推荐；但测试四基于文本和标签的融合推荐精确率和文本、标签和图像三类数据的融合推荐精确率相近似，相比其它的单模数据和多模数据的融合推荐效果要好；
②基于图像的好友推荐精确最低，说明图像在高维特征向量表达用户兴趣还比较模糊，但图像特征融合标签特征效果会好于其它单模特征；
③随着推荐好友数量的增加，单模和多模数据的推荐效果的精确率都在逐步降低。
新闻用户智能推荐总结 第七篇
一. 能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;
二. 能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤;
三. 推荐的新颖性。正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。
因此，协同过滤的基本出发点可以总结为：（一）用户是可以按兴趣分类；（二）用户对不同的信息评价包含了用户的兴趣信息；（三）用户对一个未知信息的评价将和其相似（兴趣）用户的评价相似。这三条构成了协同过滤系统的基础。