Optimizing,optimizing( 二 )

二、协同过滤，应用群体智慧如前所述，标签是我们对事物的抽象理解，那有没有一种方式能够让我们放弃标签呢？以人的行为来标记内容，这就是协同过滤的基础思想。举一个生活中的场景：初次为人父母，“无证上岗”的新手爸妈们内心是激动而又惶恐的。打听，成了他们育儿的重要法宝之一。“你家宝宝用的是什么沐浴液啊、你们有没有上什么早教班啊…”亲子群中，无时无刻不在发生这样的讨论，这样的讨论也构成大家后续消费决策的主要因素之一。
这种基于人和人之间的相互推荐固然是弱社交关系分发的一种形态，但是促成大家有价值信息交换和购买转化的，其实是人和人之间的相似点：为人父母、拥有相似的价值观和消费观。把用户的消费行为作为特征，以此进行用户相似性或物品相似性的计算，进行信息的匹配，这就是协同过滤(Collaborative Filtering)的基础思想。
协同推荐可以分为三个子类：基于物品（Item-based）的协同基于用户（User-based ）的协同基于模型（Model-based）的协同1.基于用户的协同即切合了上面的例子，其基础思路分为两步：找到那些与你在某一方面口味相似的人群（比如你们都是新手爸妈，倾向于同一种教育理念），将这一人群喜欢的新东西推荐给你。
2.基于物品的协同其推荐的基础思路是：先确定你喜欢物品，再找到与之相似的物品推荐给你。只是物品与物品间的相似度不是从内容属性的角度衡量的，而是从用户反馈的角度来衡量的。使用大规模人群的喜好进行内容的推荐，这就是在实际工程环境里，各家公司应用的主流分发方式。3.基于模型的协同是应用用户的喜好信息来训练算法模型，实时预测用户可能的点击率。
比如，在Netflix的系统中就将受限玻尔兹曼机（Restricted Boltzmann Machines, RBM）神经网络应用于协同过滤。将深度学习应用于基于模型的协同，也成为了业界广泛使用的方式。以协同的方式，通过用户行为的聚类发现许多隐层的连接。以读书会的场景为例，我们邀请不同的名家来领读书籍。
从领读人的角度，更容易直观的将同一领读人的作品视作一个聚类，比如马家辉老师领读的《对照记》、《老人与海》两本书，通过人工预判的前置规则，我们很容易将这两本领读书音频推荐给同一类用户。但是，通过协同的方式，我们会发现喜欢马家辉老师领读作品的用户，同时也会喜欢杨照老师领读的《刺杀骑士团长》一书。这种联系，是很难通过标签信息发现的，只有通过用户的行为选择，才会建立联系，提升内容和用户之间连接与匹配的效率。
三、从冷到热：内容和用户在分发中的生命周期作为连接内容与人的推荐系统，无时无刻不在面对着增量的问题：增量的用户，增量的内容。新的用户、新的内容对于推荐系统来说都是没有过往信息量积累的、是陌生的，需要累积一定的曝光量和互动量（阅读、分享等）来收集基础数据。这个从0到1积累基础数据的过程就是冷启动，其效果的好坏直接关系到用户端、作者端的满意度和留存率。
如果我们假设一篇新内容要经过100次阅读才能够得到相对可信的内容画像，新用户同样需要完成100次阅读之后才能够建立起可用的用户画像。那么一个最直观的问题就是：怎么样达成这100次有效的阅读？这就是冷启动面临的问题。下面我们从内容和用户两个维度来分别论述。在推荐系统中，通过分析一篇内容的标题、关键字来确定要向哪个目标人群进行探索性展示，借由探索性展示完成了从0到1的用户反馈积累过程。
在这个冷启动过程中，如果没能得到足够正面的用户反馈（点击行为和阅读体验），系统就会认为这篇内容是不受欢迎的，为了控制负面影响，就会逐步降低这篇内容的推荐量。反之，如果内容在冷启动过程中顺利找到了自己的目标人群，收获了很高的点击率，就有可能被推荐系统快速放大，具有了成为爆款的可能。因此，冷启动决定一篇内容命运的说法，可以说丝毫不为过。