图8-1展示了推荐系统的工作流程，主要包括信息收集、算法学习和预测推荐三个阶段。
（1）信息收集阶段。
信息收集阶段收集用户特征和历史行为等信息，用以生成用户画像，只有用户画像完全建立后，推荐系统才能开始运行。只有尽可能多地了解用户，推荐系统才能为用户提供合理的推荐结果。用户画像通常用于用户模型构建时信息检索所需。换句话说，用户画像粗略地反映了用户模型。对用户兴趣的表征能力决定了推荐系统的成功与否。要想获得准确的推荐结果，准确的用户信息模型必不可少。信息反馈可分为显式反馈、隐式反馈和混合反馈三种。
1）显式反馈。
网站一般会在用户操作界面上提示用户对内容做出评价，以便构建和改进该用户的用户模型。推荐结果的准确性取决于用户提供的评级数量。用户的评级数量越多，推荐结果越准确。显式反馈的唯一缺点是，非常依赖用户评级的积极性，而且，用户不是时时刻刻愿意做出评级。不过，相比之下，显示反馈不涉及从用户行为中获取用户偏好这一步，因此提供的数据更可靠，整个推荐过程也更透明，能够更好地感知推荐系统的质量，从而提高用户满意度。
2）隐式反馈。
隐式反馈是指通过系统后台监测用户的历史网络行为，例如：购买信息、浏览次数、停留时间和评论信息等，进而推测用户的兴趣与偏好。隐式反馈从用户行为中推断用户的偏好，减轻了用户的评级负担。隐式反馈对用户评级的积极性要求不高，准确性也较低。也有一些人认为，用户在进行隐性反馈时，没有任何维护自我形象的需求，因此提供的数据更真实。
3）混合反馈。(www.xing528.com)
混合反馈是指在系统中混合结合隐式和显式反馈。混合反馈可以最大限度地降低二者的不足并实现性能最佳的推荐系统。具体来看，用隐式反馈的数据来校验显式反馈的数据，或仅允许用户在表达明确兴趣时给出显式反馈。
（2）算法学习阶段。
在该阶段，系统通过学习算法过滤整合用户的反馈信息，从中建模提取用户特征。
（3）预测/推荐阶段
在该阶段，系统基于反馈信息和模型建模预测用户兴趣与爱好。
图8-1 推荐系统的工作流程
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
