由于推荐领域对个性化算法的依赖度很高，所以推荐算法、个性化算法、千人前面算法是比较类似的概念。

个性化算法不仅仅可以当做推荐算法用于推荐系统，还可以用于排序系统。很多时候我们可以把推荐看做是一种排序。

本文总结了常用的可用于各个场景实现个性化需求的个性化算法。

用户画像描述

用户画像是在互联网中对某一个具体用户的属性描述，不是标准一寸照、也不是户口页信息，而是关于这一用户的抽象身份信息，用户画像的构建源于用户的各种网络行为数据，构建成的画像最终会被用于搜索、推荐、广告等互联网业务或其他AI产品。本文会记录一些关于用户画像构建和使用的思考，不会涉及工作业务具体的内容。

用户画像的数据始源有搜索记录、点击记录、购买记录、位置信息、账户信息。这些都是用户在互联网中不得不产生出并透漏给企业的“隐私数据”。

长期的用户属性

长期的用户属性反映了一个用户基本的特征，比如性别、年龄、地域、职业、学历。

用户的偏好标签

短期的用户意图

短期的特征表现的用于近期或实时的意图，比如最近想买什么东西、最近关注什么品牌，比如现在喜欢什么款式、想要什么价位的、会重点关注哪一方面因素（关键词、评价、人气、品牌、服务、商家）。

即使是同一个人，也存在闲逛、比价、收藏、购买等不同的情况。

行为序列建模

用户 ID 在训练数据中是十分稀疏的，用户 ID 很容易导致模型过拟合，所以需要大量的泛化特征来较好的表达用户.

表达用户的特征分为两类：

一类是偏静态的特征，例如用户的基本属性（年龄、性别、职业等等）特征、长期偏好（品类、价格等等）特征；
另一类是动态变化的特征，例如刻画用户兴趣的实时行为序列特征。而用户实时行为特征能够明显加强不同样本之间的区分度，所以在模型中优化用户行为序列建模是让模型更好理解用户的关键环节。

统一的行为schema

行为属性：行为类型、访问频率、停留时间
被访问的item属性：

协同过滤

Restricted Boltzmann Machines

https://www.cs.toronto.edu/~rsalakhu/papers/rbmcf.pdf

矩阵分解

提高处理稀疏矩阵的能力.

隐向量：矩阵分解算法期望为每一个user和item生成一个隐向量，将user和item都定位到隐向量的表示空间里。

这个隐向量是通过对协同过滤的共现矩阵进行矩阵分解得到的。

矩阵分解主要的三种计算方法：

特征值分解 :只能用作方阵，不适用于user、item矩阵的分解。
奇异值分解：要求矩阵是稠密的，并且计算复杂度高。
梯度下降：这是机器学习矩阵分解的常用计算方法

Latent-factor models

Matrix Factorization

Factorization Machine

因子分解机(FM) 通过特征对之间的隐变量内积来提取特征组合。

SVD & SVD++

关联规则

Contextual Bandits

simplified version of reinforcement learning

https://zhuanlan.zhihu.com/p/32441807

https://zhuanlan.zhihu.com/p/35753281

分类方法

训练一个分类器，在需要的时候给一个item分类。比如直接分类为good和bad，然后把good作为推荐对象。

聚类

K Means Clustering
Hierarchical Clustering
Gaussian Mixture Models

神经网络

self atten 层
atten pooling 层

知识图谱

https://102.alibaba.com/detail?id=179

有了用户画像，用来做什么？

让用户尽快发现它最想发现的东西。根据画像来推荐，根据画像来排序。

挖掘长尾（The Long Tail）中对个人有价值的东西。

基于用户画像，互联网服务可以针对每一个账户或者设备来提供定制化的服务。这样的定制是通过数据挖掘训练、使用机器学习模型生成的方案，相比于人工定制来讲，会更加简单、快速、准确。

Reference

Machine Learning Summer School 2014 in Pittsburgh - http://technocalifornia.blogspot.com/2014/08/introduction-to-recommender-systems-4.html

Predicting movie ratings and recommender systems - http://arek-paterek.com/book/

https://zhuanlan.zhihu.com/p/27768663

https://www.msra.cn/zh-cn/news/executivebylines/tech-bylines-personalized-recommendation-system

https://www.quora.com/Which-algorithms-are-used-in-recommender-systems

http://technocalifornia.blogspot.com/2014/08/introduction-to-recommender-systems-4.html

一淘的个性化搜索技术 https://zhuanlan.zhihu.com/p/22516029

淘宝的千人千面 https://www.zhihu.com/question/21353219

淘宝搜索的用户建模 https://mp.weixin.qq.com/s/SRd7Cr16kpa_aUWDNwww_g

个性化算法 Personalization & Recommendation Algorithm