前言
在移動互聯網迅速發展的今天，信息量爆發性增長，人們獲取信息的途徑越來越多，如何從大量的信息中獲取我們想要的內容，成為了推薦系統研究的重點。 隨着大數據產業的不斷壯大，推薦系統在企業也越來越重要，從亞馬遜的“猜您喜歡”，到阿里雙十一手機淘寶的“千人千面”，無一不彰顯着推薦系統至關重要的作用。
相比之下， 消息推送作為傳遞信息的一種重要的手段，能夠有效地提高活躍度，被各大App廠商廣泛使用，本應有很大的發展。 但是由於終端上應用越來越多，每天各大App推送的信息也越來越龐大，加上信息都是千篇一律，沒有新意， 不但不能起到響應的作用， 反而會引起用戶強烈的反感，用戶收到的推送信息，基本都會忽略， 刪除，甚至完全限制推送。
隨着推薦系統的成熟，將其應用於推送變成了可能， 通過推薦系統尋找用戶關注的焦點，精准定位用戶興趣，從而推送用戶感興趣的內容，達到提升推送的效果。
個性化推送整體架構
個性化推送的核心思想，是將推薦系統與推送系統結合，用推薦系統提取用戶感興趣的內容給用戶推送，提高用戶對推送消息的點擊率，提升推送效果。
從個性化推送架構圖上可以看出，個性化推送系統，核心組件有三層：數據層、計算邏輯層和推送服務層。
-
基礎數據層是個性化推送的基礎， 通過數據，將用戶與信息相關聯，通過特征，將用戶與用戶相區分，從而達到千人千面的效果。
-
計算邏輯層是個性化推送的核心，通過特征匹配等相關的邏輯運算，將用戶和信息做關聯，篩選更適合的數據，計算邏輯直接影響到個性化推送的准確度。
-
推送服務層是個性化推送與用戶交互的通道。推送服務，間接地影響到個性化推送的到達率，影響着推送的效果。
數據層
推薦系統的基本任務是聯系用戶和內容，解決信息過載的問題。 想要做到用戶和內容更大程度的匹配， 就必須去深入了解用戶和信息。 在這里，我們將數據分為三個維度， 方便對用於，信息的把握。
-
用戶維度數據
-
信息維度數據
-
時間維度數據
1
用戶維度數據
用戶維度數據，是用來描述用戶的特征數據。 了解用戶，一般從用戶標簽屬性和用戶行為屬性兩個層面入手。
-
用戶標簽屬性是用來描述用戶的靜態特征屬性，如用戶的性別，年齡，喜好，出行偏好，住址等。
-
用戶行為數據，簡單來說就是用戶的行為日志，用戶在互聯網上的任何行為，都會產生日志， 比如用戶瀏覽了哪個網站，用戶搜索了哪個名詞，用戶點擊了哪個廣告，用戶播放了哪個視頻等等，都屬於用戶行為數據。 用戶行為常被分為兩類，顯性反饋行為和隱性反饋行為。顯性反饋行為是指用戶明確表示物品喜好的行為， 如常見的評分，點贊等。 隱性反饋行為是指那些不能明確反映用戶喜好的行為。常見的有頁面瀏覽的行為。 用戶瀏覽一個頁面，不代表用戶一定喜歡這個頁面展現的物品，很有可能只是因為這個頁面在首頁，用戶更容易點擊而已。
對收集的用戶特征做融合，根據不同的方向，對用戶特征庫做划分， 方便之后的使用。
我們整理了用戶常見的一些特征指標，如下：
所屬的行業不同，所關注的用戶特征也不同，不同的行業，會對用戶在某一方面有更細致的特征描述。
從原始的用戶行為數據，用戶標簽數據，以及其它第三方的數據中，提取我們所要關注的特征值，形成特征向量，為后續信息篩選做准備。
2
信息維度數據
信息維度數據，用於描述信息的特征屬性。 不同種類的消息內容，用不同的特征指標來標識。
上述的三個類似，列舉了舞蹈，視頻，音樂三個類型內容所關注的特征。 更細、更准確的特征描述，有利於我們更加准確地去匹配內容。
3
時間維度數據
時間維度數據，就是與時間相關的用戶特征和信息特征。 如用戶當前在中關村， 中關村某店未來三小時有搶購活動等。 在使用這些特征的時候，一定要注意其時效性。
計算邏輯層
我們准備好了用戶和內容之后，接下來要做的就是連接用戶和內容。 推薦系統連接用戶和內容的方式有三種：
-
用戶信息匹配：用戶喜歡某些特征的內容，如果信息里包含了這些特征，則認為該內容是用戶最有可能感興趣的內容；
-
信息匹配：利用用戶之前喜歡的內容，尋找與這些內容相似的內容，視為用戶最有可能感興趣的內容；
-
用戶匹配：根據用戶特征尋找相似的用戶，將相似用戶所感興趣的內容視為該用戶最有可能感興趣的內容；
用戶信息匹配，是直接通過用戶特征和信息特征做匹配，篩選出用戶感興趣的內容，這種方式計算方式簡單，直接了當，但是覆蓋面比較窄，能夠完全匹配上的內容占很少一部分，為了擴大召回， 將大部分特征相匹配的信息也篩選出來，視為用戶最感興趣的內容。 信息匹配和用戶匹配，則是典型的協同過濾，更多是計算相似度，信息匹配計算內容的相似度，用戶匹配則是計算用戶的相似度， 於是用戶和信息的連接問題轉化為了計算相似度的問題。
常用的計算相似度的算法有以下幾種：
-
毆氏距離或者曼哈頓距離
-
余弦相似度
-
皮爾遜相關系數
兩個n維向量的毆氏距離計算公式如下：
兩個n維向量的曼哈頓距離計算公式如下：
兩個n維向量的余弦系數如下：
兩個n維向量的皮爾遜系數如下：
這里不再贅述各個公式的由來以及推倒，有興趣大家可以自行查找相關文章。 一般的，如果數據比較稠密，而且屬性值大小都比較重要，則采用毆氏距離或者曼哈頓距離，如果數據稀疏，考慮使用余弦距離，如數據受到分數貶值的影響（及不同的類型采用不同的評分），則使用皮爾遜相關系數。
經過特征匹配和若干輪的相似度計算后，我們拿到了一個初步的用戶信息匹配結果集， 接下來我們會對結果集做進一步的處理。
-
過濾：主要是根據推送的歷史，將之前推送過的信息過濾掉，同時，我們會根據實際情況，將不滿足要求，或者質量比較差的信息過濾掉
-
排名：主要是擬定推送信息的優先級， 一般按照新穎性，多樣性和用戶反饋等規則來做排序，新穎性保證了盡量給用戶推送他們不知道的，長尾的信息，多樣性保證用戶可以獲取更廣的內容，而用戶反饋則通過收集用戶真實的意願(如通過用戶對推送內容的打開，關閉操作反應用戶的喜好)實現更優的排序。
-
信息整理：選擇最優內容，形成消息，進行推送
這只是簡單介紹了一下數據處理和匹配的邏輯，在具體的實現過程中，需要考慮特征權重的問題， 特征權重對特征匹配，結果排序等影響較大。
推送服務
推送服務，作為個性化消息的出口， 根據客戶端的種類，也被分為了Apple和Android兩大體系。 Apple系推送服務統一將推送信息送入apns，由apns負責后續推送工作。 Android則通過后台守護進程，和推送服務建立聯系后獲取推送內容。 目前行業內有很多開放的推送服務，如umeng推送，信鴿推送，個推等，基本上都是對上述功能的封裝。 一些開源推送服務，如umeng， 由於背靠阿里，和所有阿里系應用共享推送數據通道（也就是后台的守護進程）， 大大提高了消息的到達率。
個性化推送，在推送的內容和時機上都是離散的，所以很難做到批量推送，這就對推送服務的設計和性能提出了比較高的要求。 我們推送服務做了如下改進：
-
數據局部聚合：將相同消息內容的推送放在一起， 這樣就可以做局部的批量推送，增加服務吞吐
-
數據分片：將不同消息內容的推送分割為不同的數據片， 不同的數據片可以並行推送， 提高推送效率
-
守護線程：每台服務實例都保留一個守護線程，用於監控推送過程，確保推送有且僅有一次送達
基於用戶位置的個性化推送
在個性化推送的基礎上，借助於LBS，我們完成一個新的推送場景的嘗試，這就是基於用戶位置的實效性個性化推送推送。 當你步入中關村商圈，那里的新中關購物中心正在搞活動，其中耐克正在打折，從你的用戶特征可以看出，你是個運動達人，最近在某電商網站上瀏覽了多次運動鞋， 這個時候，我們為你推送了耐克打折的這個消息， 這就是一個典型的基於位置的個性化推送場景。
通過定位服務獲取用戶的實時位置數據，通過計算，獲取與參照物的位置關系，結合上述的個性化推送，為用戶推送該參照物范圍內用戶感興趣的內容。 一般的，通過空間索引，來提高計算地理位置關系的性能，空間索引分為兩類：
-
網狀索引， 如geohash等
-
樹狀索引， 如R樹，四差樹等
可以根據時間的場景來選擇不同的空間索引。
轉：http://www.toutiao.com/a6334780162399748354/