学习笔记

头条班第四节课课程学习笔记

头条班学习的第四讲由塔娜老师带来的《新媒体运营实务》系列课程——算法分发原理解读。分为上下两讲。

其中上讲有四点:系统概览、用户建模和分析、内容建模和分析、推荐算法。

从用户和内容的关系来看，内容是决定算法的，而用户可以根据数据进行反馈优化算法，内容的多样性分发主要体现在文本编辑，推荐系统本质上解决的主要内容是用户、环境、内容，根据各自的不同特点推荐系统可以由此进行精准推荐。

对于用户建模方面，可以根据用户画像的特点对用户进行标签化，可以对用户进行精准营销、用户统计、数据挖掘、效果评估、服务的私人定制的服务，而用户画像的构建流程分为三个步骤:基础数据收集、行为建模、构建画像，对各种标签的总结，算法分发会更加高效，如果对标签进行体系总结，又可分为兴趣不同特征，身份不同特征和行为的不同特征可以进行权重分析，对分发起到作用。

在新用户画像的建模上，可以通过微博或微信获取更多信息，当然用户的环境特征、手机类别也是其中的因素。在设置标签的过程也有不同策略，如过滤噪声、惩罚热点、时间时间衰减、惩罚展现，主要是通过用户对内容的动作特征进行分析或降权，达到提高标签准确性的效果。

在下讲中，老师进行文本的内容分析，可以通过文本的不同特征进行信息的挖掘和检索，通过统计分词和词频的统计，和将文本的词语结构化成可处理的形式，对文章进行分成若干个词向量，计算各种词向量的相似度，对用户建模提供信息。其中文本分析在推荐系统中可以有助于用户兴趣建模、优化内容组织、帮助内容推荐，而文本的特征可以从类别和关键词、话题等方面进行分析，而推荐系统可以根据文本特征的语义标签、隐式语义、文本相似度、时空特征、质量相关特征，进行统计。

在推荐系统中有不同的推荐法，协同过滤算法中有基于用户兴趣相似度的推荐，将兴趣大致相同的用户进行协同分析，进行类似推荐，还有物品的被喜爱相似度进行分析，将用户归类推荐。两种协同分析方法都有各自的优势和弊端，只有将二者融合使用，才能有可观的效果。

在基于用户兴趣的标签，可以通通典型召唤策略进行兴趣标签的结合，将取回的内容进行优化。

可以总结出，推荐算法的进行是根据文本内容和用户的标签进行数据总和分析，将二者结合，提供更好的算法推荐。