神策智能推荐是神策数据打造的一款基于用户行为分析的全流程智能推荐系统。该系统主要分为两个阶段：召回阶段和排序阶段。因此，在详细讲述召回的方法前，我们先来看看召回阶段的作用和目的。
一、召回阶段的作用和目的
召回阶段可以理解为根据用户的历史行为数据，为用户在海量的信息中粗选一批待推荐的内容，挑选出一个小的候选集，相当于粗排序。排序阶段再在此基础上进行更精准的计算，做到给每一个内容进行精确打分，相当于精排序。
如下图，用户画像、内容分析、机器学习平台是支持召回和排序的三个独立组件，另外，通过点击、观看、收藏、评价等用户行为数据作为数据输入的主要来源。
举个例子，神策数据的某个资讯类客户，每天的内容量级为十万以上，在召回阶段根据用户的历史行为数据分析出其兴趣和偏好，再在海量的政治、历史、体育、娱乐等内容中，挑选出一个小的候选集，如用户主要对历史和体育感兴趣，候选集中就主要是历史和体育的内容，娱乐、政治等其他内容就会被过滤掉，排序阶段会以此为基础进行更精准地计算，通过机器学习预估用户的喜欢程度对使用不同的召回方法获得的候选集的内容进行更精细化地打分，使其变得有序，经过这两个阶段后，最终为用户精挑细选出用户最感兴趣的高质量内容。
综上所述，个性化推荐系统是一个流程：海量Item——召回(粗排)——候选集合——排序(精排)——排序列表——规则(多样化推荐)——推荐结果。
事实上，作为信息过滤的第一环，召回对于个性化推荐系统极其重要，神策智能推荐在保障数据源的准确性基础上，使用了多种召回方法加强个性化推荐的推荐精准性。下面将为你详解：
本文重点介绍基于深度用户行为分析的召回。
基于深度用户行为分析的召回，能更全面且精细化地解读用户真实需求，并为其推荐。市场上熟知的基于用户行为分析的召回主要通过以下两种思路：
1.基于内容的协同过滤
基于内容的协同过滤，简而言之是根据用户喜欢的内容推荐与之相似的内容。比如某个用户喜欢A内容，算法就会为用户推荐A1、A2等与A相似的内容，而不是推荐Z9等相关性小的内容。
举个例子，百度视频会根据用户正在观看或者历史偏好的视频，进行个性化的推荐。如在百度视频首页搜索《知否知否应是绿肥红瘦》就会出现根据主演赵丽颖推荐的相关电视剧。
2.基于用户的协同过滤
基于用户的协同过滤，简而言之，推荐相似用户喜欢的内容。比如，A用户和B用户喜欢的内容一致，这种方式就会向A用户推荐B用户喜欢但是A用户没有看的内容。
举个例子，某咨询类App有娱乐、奇趣、健康、美食等内容分类，对于喜欢娱乐新闻的用户可以将所有同样喜欢娱乐内容的用户最近最爱看的一些资讯放在有娱乐新闻偏好的用户的热门流中。
神策智能推荐在具备多种协同过滤推荐机制的基础上，采用基于行为的深度学习召回模型，再根据用户行为数据训练模型，加强了推荐系统推荐的智能性和准确性。该深度学习召回模型是借鉴谷歌的个性化推荐思路(如下图)，并汲取用户行为分析实践经验结合企业的最新实践需求进行了个性化的优化迭代。
图片来源：谷歌发布的《Deep Neural Networks for YouTube Recommendations》论文
相比基于矩阵分解的协同过滤方式，深度学习召回模型有如下优势：
第一，更全面的行为表达。在模型中结合点击、收藏、搜索等多种行为，能更全面地表示用户行为偏好。
第二，可添加画像特征，可加入性别、地域等用户画像相关的特征。如果你有额外的一些标签或发生的信息，这个模型是可以兼容的，它可以把所有信息糅杂在同一模型里面去做，而在协同过滤模型里面是完全无法引入的。
第三，考虑用户的行为顺序。比如用户通常的行为顺序是，先买一个手机，然后再去买一个手机壳;买了一个汽车后可能会买个汽车坐垫。
第四，组合复杂特征。神经网络可以进行更复杂的特征组合，挖掘更深层次的关联关系。
关于神策数据
神策数据是专业的大数据分析平台服务提供商，致力于帮助客户实现数据驱动。公司围绕用户级大数据分析和管理需求，推出神策分析、神策客景、神策自动化运营、神策智能推荐等产品。希望更深入了解神策数据或有数据驱动相关问题，请拨打4006509827电话咨询，会有专业的工作人员为您解答。（神策数据供图）
责编：纪爱玲
（本文来自于海外网）
