“人家寫的文章，發佈的視頻，為什麼動輒有數十萬的訪問量啊，我寫的文章為什麼閱讀量總是寥寥無幾？”小李是公司的電子商務運營人員，這幾天小李一直在為找不到方向悶悶不樂。小李的情況代表大多數的電子商務運營者，由於不瞭解系統是如何選擇取捨用戶內容的，所以他們感到十分苦悶。
對算法熟悉的程序員知道，現在無論是頭條體系，還是阿里巴巴體系，或者是騰訊體系，在內容地分發上，統一採用推薦算法，也就是機器採用推薦算法完成的。電子商務運營人員只有明白了推薦的原理，才能很好完成電子商務運營。那麼機器是如何完成推薦的呢，KNN算法是其中的靈魂。
啥是KNN算法
KNN的全稱是K Nearest（最近的） Neighbors（鄰居），意思是K 個最近的鄰居，K代表不確定的數量。也就是根據K個最近鄰居特徵，向用戶推薦內容。
這聽起來有些抽象，我們舉個具體的例子，詳細解釋一下到底什麼是KNN算法。
假設你是一個短視頻經營平臺A，你要向你的用戶張三推薦他喜歡的短視頻內容。我們設計的思路是這樣的，首先我們計算找到與張三興趣愛好最相近的K個朋友，然後認定張三也喜歡他的K個朋友喜歡的內容，將他朋友喜歡的內容推薦給張三。
我們首先將所有的用戶放入座標之中。
所有的用戶放入座標之中
然後，找到與張三興趣愛好最接近的3位朋友，也就是K=3（這個K是系統開發者設定的，但不是隨意的啊），我們判定李四、王五、趙六，與張三在短視頻上有共同的愛好。
與推薦用戶最密切關係的人
有了這樣的圖表以後，創建推薦系統就變得十分簡單。只要是李四、王五、趙六喜歡的短視頻，就將其推薦給張三。
將張三朋友李四喜歡的視頻推薦給張三
這就是KNN算法的簡單邏輯，但是還有兩個問題，需要解釋一下，就是K值選取多少為好呢，相似性是怎麼計算出來的呢等。
K值是如何計算得來的
K值的選取非常重要，不能太大也不能太小。還拿短視頻推薦的例子來講，我們打算為張三選取在短視頻方面有共同愛好的人，如果只是選取一個人作為共同愛好者時，一旦張三行為發生變化，那麼就會出現偏差，無法為張三推薦短視頻。
如果選取K的值過大，也就是關聯的朋友過多，也會出現情況，因為朋友過多，差異較大，張三上網選取短視頻時候，也會出現無短視頻可推送的情況。
學術上稱這兩種情況過擬合（over-fitting ）和欠擬合（under-fitting）。
K的取值儘量要取奇數，常用的方法是從k=1開始，每次K增值1，以找到最佳的目標。
怎麼計算兩人之間的共同愛好啊
我們還以A短視頻平臺向張三推薦短視頻為例，假設A平臺要向張三推薦短視頻，平臺就需要將張三等短視頻用戶放到圖表中，並轉化為一組座標，確定了他們的座標，就可以計算他們之間的距離了。
張三的座標
下圖是將用戶轉化為一組數字的方式。用戶註冊時，要求他們指出他們喜歡的短視頻類型，並指出對各種短視頻的喜歡程度。
張三、李四、王五對不同類型短視頻的喜歡程度打分
這樣，對於每位用戶，都將獲得一組數字。那麼我們計算張三和李四之間的距離的公式為：
距離計算公式
他們之間的數值越小，距離越近。
由於各種複雜的原因，他們之間的計算公式不都是這樣的計算，還有餘弦距離、Tanimoto 係數等方法。
回到上面的短視頻推薦中，經過計算，我們知道了和張三之間距離最近的人，他們喜歡的短視頻可能就是張三喜歡的短視頻，這樣我們就可以給張三推薦短視頻了。
實際的推薦系統遠比這個複雜
上面我們看到，我們向張三推薦的短視頻系統是通過張三的好朋友實現的。實際上在真實的短視頻、新聞內容推薦系統中，遠比這個複雜。
除了上面的這種推薦方法之外，還可以基於內容本身的特徵向用戶推薦內容，系統基於用戶的喜好評價對象的特徵，然後計算用戶和內容的匹配程度，並向用戶推薦內容。實際應用中還常常用到基於關聯規則、基於效用、基於知識等推薦方法。
我們知道頭條在推薦內容時候是首先基於內容向用戶推薦一輪，如果評論、轉發、收藏比較多，他們他們還會基於協同，也就是基於好朋友再向相關的用戶推薦一輪。這就綜合運用了各種推薦方法。淘寶的推薦方法也是綜合運用各種要素進行推薦的，其中商家的權重就是基於效用推薦的。
解釋：無論採用何種推薦方法，其核心的算法還是KNN算法，其具有簡單易用、模型訓練時間快、預測效果好、對異常值不敏感等優點，缺點是對內存要求高、如果預測可能比較慢、對數據規模比較敏感。
推薦系統機制
在瞭解了系統推薦機制之後，我們需要梳理一下自己的思路。目標用戶關心的是我們電子商務運營的方向；同時，我們也要明白推薦的機制，我們的電子商務運營目標要與系統推薦平臺的目標達成一致。
閱讀更多 石家莊陀螺科技 的文章
