推荐系统“特征”的理解

推荐系统“特征”的理解

正排矩阵

每行表示一个用户，每列表示一个属性

用户ID	年龄	性别	视频1偏好度	视频2偏好度	视频3偏好度	...
User1	25	男	0.8	0.1	0.6	...
User2	32	女	0.3	0.7	0.2	...
User3	40	男	0.4	0.5	0.9	...

u侧特征

对于一个u侧特征，每个用户有其独有的值

正排矩阵的一列可以抽成一个u侧特征

特征示例：

• 用户年龄：28岁
• 用户性别：女
• 历史观看记录：主要观看科幻电影和纪录片
• 最近观看的视频类型：科幻电影

group侧特征

一个group就是一个视频

g侧特征，对于不同的视频值不一样，对于所有用户都是一样的

特征示例：

• 视频id，作者id
• 播放次数
• 点赞数

cross特征

把用户（u侧）和视频（g侧）混合计算得到的一种特征

推荐流程（大致）

1. 特征整合：
   • 将用户侧特征和群组侧特征整合在一起，比如g侧放到正排矩阵作为一个个额外列，一列数据一样。g侧虽然对每个用户一样，但和u侧融合后有attention价值，反之u对g的影响也是（我猜的）。
2. 模型输入：
   • 将这个整合后的特征向量输入推荐模型。这个模型可能是一个基于机器学习的算法，如协同过滤、内容基推荐或深度学习模型。
3. 推荐计算：
   • 推荐模型分析这个用户的特征向量，与数据库中的视频特征进行比对，输出6条推荐视频。
   • 实际计算根据召回、粗排、精排会用不同的模型和策略