个性化push推荐系统架构和经验分享 （一）

从负责做个性化push推荐系统已经快一年了。开始做个性化push推荐系统，开始收集了各方面数据，通过各方面的数据表现和经验，来制定我们战略，然后好制定我们战术的打法。
下面我从以下三方面介绍push思考过程和做法：
1、业务分析
2、个性化推荐策略实践和总结
3、个性化push推荐系统架构

推荐系统我认为如果要做好，必须要把业务分析清楚，影响因素的排序和占比的估值一定要有个心理有数，他是我们战略指导的关键。实际中多给自己提问一些问什么，例如数据为什么会是这样的表现，是20%和30%而不是30%和20%，影响因素的排序是什么等等。
第一：业务分析
下图是我们推的地域场景和编辑统发的对比。做个引子，好让大家知道我们做的是什么。

1. 大家想想， push做的事情会有哪些，我认为：

      - 推广
     - 运营 
     - 用户唤醒
   

   对于个性化push做的三个是否在大方向和具体过程有区别尼。答案是大方向大体不会有改变，但是会做一件实际就是改善用户体验，具体过程当然是不一样。ok,个性化push我认为会做的事情如下：
   - 精细化推广
   - 精细化运营
   - 改善用户体验
   - 最新最热方式唤醒

2. 个性化推荐基本上视频属性特征、用户特征、领域文本主题特征。特征工程这块我们应该怎么利用。
   咱们就拿用户特征分析举例子说下：
   是否每个特征值下的push打开率打开率都差不多，能否结合用户特征做一个user level的循环系统。第一步我们应该对用户用决策树的方式进行特征选择和人群划分。
   

   用户分类体系如下：
   

   

3、推荐系统选择方向：

推荐系统的推荐过程一般都是：候选池->帅选出候选集->排序->展示
方向选择这块主要是考虑候选池这块的问题：

     - 使用最近24小时的新上传的视频，即解决最新视频的冷启动问题
     - 使用非最近24小时视频，而是最近一个月得视频或者全部视频，这个是就变成解决长尾问题

从产品形态分析和难易程度来说我们选择了解决最新视频的冷启动问题。推荐系统我们一般都会考虑时间序列，如：
- 社会兴趣随时间变化
- 用户偏好随时间变化
- 物品受欢迎程度随时间变化
- 用户兴趣随时间变化
推荐视频为最近24小时更新视频，保证的时间序列。则变成了冷启动问题。即矩阵分解等协同过滤模型不好用。