大数据在网易内部的应用丰富多彩，在《让机器读懂用户–大数据中的用户画像》一文中，网易工程师对用户画像进行了较为系统的介绍，并提到用户画像的一个重要作用在于个性化推荐。但企业怎样才能正确认识和利用推荐系统来拓展业务？本文对推荐的本质和实现思路进行了深入的探讨，并介绍了网易严选的推荐系统实践，让您充分领略个性化推荐的魅力。
推荐系统作用本质
有资料称亚马逊的推荐系统带来的GMV占其全站总量的20%-30%。这个数据会让人直觉地认为，电商网站只要一上好的推荐系统，就会带来相当高的GMV提升。甚至有产品会问：我们的推荐系统GMV占全站多少？为什么亚马逊能做到30%而我们做不到？
想象一下，亚马逊把推荐系统的位置全换成游戏广告，每次用户点击收取广告费等同于物品推荐时的单次点击价值。这时会有什么结果？合理的推荐是，如果游戏推荐做得足够精准，这个伪推荐系统的GMV占全站的比例可能越来越高，网站的用户流失率会显著增加，总体营收会趋于下降。
这个假设揭露了一个真相：推荐系统的位置本质上就是广告展现；对于任何一个有流量的站点来说，不断上升或者稳定的忠实用话是其最大价值；广告位的展现最好能够同时不损坏甚至提升用户体验。Facebook初上广告时就遇到一个问题：广告的投放影响了用户体验，会损失用户忠诚度，造成用户流失。而对于电商网站来说，为用户推荐物品，是一种能提升用户体验的方向投放，看起来像一种奇妙的巧合。
与搜索类似，推荐的本质就是提升用户体验 - 为此它们最主要的方式就是帮助用户快速的找到它需要的产商品，其他的方式还包括给用户新颖感等。事实上，亚马逊宣称的20%的GMV，其中很多是“你不向用户推荐他也会购买的东西”，推荐系统在这方面的贡献是为用户提供了便利性点击，节约了用户的精力。如果没有推荐系统或者推荐系统很糟，用户流向竞品网站的可能性就会增大，这时造成的损害是在整体GMV上。至于推荐的GMV能占全站的比率是多少才合适，这个问题很难回答。只能说每个站点的基准值由产品的综合情况决定，不能一概而论。
综合起来，推荐系统有如下几个作用：
- 提升综合体验： 帮助用户节省精力，增加漫游机率，提升页面访问量及驻留时间，提升留存率；
- 提升GMV（由1附带的效果）；
- 提升印象。
推荐的结果，用户点不点是个非0即1的的事件，但是用户对它们兴趣度是一个介于0到1的连续的数值。兴趣度的提升，能提升用户对网站的信任度，提升留存及LTV。
推荐系统工作原理本质
在推荐领域被证明有效的算法非常多，如各种CF（协同过滤）、矩阵分解、基于图的算法、关联规则、各种方式的embedding、融合多种特征的CTR-based方法等。深度学习领域的进展表明，如果有一种最接近上帝的方法，那很可能就是embedding的方法。所谓embedding，数学上的意义就是映射。如word2vec通过语料训练把词变成一个数百维的向量，向量的每一维没有明确的物理意义（或者说我们无法理解）。推荐系统如果可以把人很精确地映射成一个向量，把物品也映射成一个同维度同意义的向量，那么推荐就是可以按规则处理的精确的事情了。
图1.最佳的推荐形式事实上，电影推荐的确可以这样做。豆瓣电影推荐是国内推荐系统的先驱之一，它经过多次迭代，最终形成了一种本质上是embedding的方法来实现推荐：用一定的方法把用户用一系列标签描述，将电影也样同样的标签空间描述，据此计算用户与电影的相似度来推荐，得到的推荐效果非常好。
图2.豆瓣基于标签的电影推荐
电商推荐系统的特点
电影是一种文化艺术商品，直接与人的感性感受相关；同时它有比较精深的空间，从数学的角度来说，它具有多个维度的属性，多到可以产生非常丰富的变化，但不至于多到让人脑难以理解。人对电影的兴趣，具有一定的稳定性，不太会发生快速的转变。
在电影的世界里，人与电影都比较容易做embedding。
与电影推荐不同，电商推荐就复杂得多了。主要有如下几点：
- 商品种类数巨大，不同的商品需要不同的embedding。
放在电商的世界里，电影就相当于一种商品。如果要做embedding，用户与每一物品都要做一组embedding，不同的物品无法统一。比如，喜欢白色T-shirt的用户，不见得会喜欢白皮鞋；喜欢咸豆浆的用户，不一定会喜欢咸豆腐脑。而商品的种类可能是数以10万记的。即始可以针对每种商品做embedding，也很难将它们统一起来。
- 单种商品深度不够，难以有效embedding。
描述物品的空间维度一般很浅，除了少数的商品（如女士包等）称得上博大精深，大多数是很简单的。
- 人对商品的兴趣大都建立在短期或者瞬时需求之上。
大部分情况下，人对商品有兴趣是因为正好需要商品，而非中长期的喜好。很多情况下，买了某种耐用品之后，人对它的兴趣（指购买它的欲望）在很长时间内会降到最低。想要embbeding这种转瞬即逝的变化，是一件不容易的事情。当然，也有一些商品及一些情况下，用户的确是对商品有中长期的兴趣，比如刚生小孩的父母，很长时间内会对母婴用品感兴趣。在海量的商品与情景中把这些case都找出来，本身是一件不容易的事情。
- 大量耐消品的影响。
上面的论述中可能已经包含这部分。但有必要单独强调一下：电影是一种极佳的快消品，而在商品的世界里，充满了海量的慢消品 - 慢消品的特点是一旦满足用户兴趣就转移了。
- 用户理论上对所有商品都会有兴趣。
人在一生中，会在不同的时间对大部分商品产生兴趣。用户对商品的大部分情况是短期兴趣。一般情况下，用户短期的兴趣难以预测，只能根据用户明确指时的对哪些商品感兴趣；中长期兴趣在某些情况下可以挖掘。
基于以上的原因，在电商领域难以找到完美的embedding方式来实现推荐。其实我们在看各大电商的个性化推荐时，无论宣称背后用怎样复杂的模型融合，从结果看，用户近期行为的权重是非常大的，使得结果非常像itemCF推荐出来的。很容易看到，很多大型电商网站首页的“猜你喜欢”模块，推荐的都是与用户最近浏览相似的物品。
因此，现代电商的推荐往往用机器学习的方法来实现。对于推荐来说，算法与模型并不是最主要的，重要的是对需求、业务目标、平台用户、平台数据的理解及与之对应的特征工程。
网易严选推荐实践
网易严选推荐的基础模型采用的是CTR模型，基于LR（逻辑回归）。
图3.网易严选推荐模型在核心的特征工程方面，网易严选推荐团队将用户的具体属性（性别、收入水平、地域等）、用户在网易严选的行为属性（短期，长期）、及时间上下文（季节、上次购买时间间隔等）作为属性空间，从1层迪卡尔积开始往上构造N层迪卡尔积形成复杂属性空间P，挖掘属性空间与商品的相关，对有明显相关（正相关或负相关）的（属性、物品）对构造特征。
图4.用户属性空间
图5.具体属性应用
图6.行为属性作为抽象属性与具体属性置以相同的地位
图7.二阶属性（属性的2重迪卡尔积）从结果来看，这一套特征工程方法可以挖出比较全的特征集，在鲁棒性与效果上都有不错的效果，自上线以来各项指标均在稳步提升。
(数据来源：CSDN)