Feedly推荐系统背后使用的机器学习技术

编者按：Feedly官方博客介绍了Feedly推荐系统背后使用的机器学习技术。

web的最大优势之一是其开放性和分布式本质。这也是一大挑战：数百万站点，数千项主题，人们如何浏览内容并发现新的可信赖信息源？

Feedly对这一挑战的解决方案是使用数据科学组织所有这些信息源，并帮助人们浏览主题。

本文介绍了[Feedly新的发现体验]背后的一些技术，以及我从这一项目中学习到的经验。

从用户生成数据中学习主题

根据用户加入新站点或博客时所属的分类（数据经过匿名化处理），可以自动创建新的英语主题分类。

所以，如果你是在“tech”（技术）下加入The Verge和Engadget的45000人之一，那么你帮助创建了“tech”主题。

不过，这样的主题列表仍然存在一些问题，主要是重复主题和“垃圾主题”。

想要理解我是如何训练模型识别主题的，可以想像一个矩阵或者表格，其中有关于主题和信息源的数据。

你注意到了上表第六行的“My favorites”（我的最爱）主题了没有？这是一个极好的垃圾主题的例子，因为它不具有描述性。你可能也注意到了“tech”和“techonolgy”这一对重复主题。如果我们将矩阵扩展至10000+主题和100000+信息源，我们会看到很多这样的垃圾主题和重复主题。

所以我们如何摆脱这些垃圾主题和重复主题呢？这正是数据清洗的价值所在。

在上表中，每行有一个数字数组，也称为向量。所有数字同构的行意味着垃圾主题，而特定站点在行中显示为峰值的是好主题。

一图胜千言：

我们可以通过测量相应图形的尖峰来检测垃圾主题。从向量性质的角度来说，我们可以，比方说，测量最大数字和非零值数字的比值。

类似地，下面的图形显示了重复主题：

我们同样根据向量的性质检测这些重复主题。在我们的例子中，“Tech”向量的分量[50000, 30000, 5, 2]和“Technology”的[12000, 7500, 2, 0]在归一化（将绝对数字转换为百分比）后非常相似。我使用JS散度得出两个向量的相似度。

一旦侦测出了相似向量，我们可以在系统中安全地合并两者，并将搜索“technology”的用户重定向至“tech”。

感谢使用Feedly的英语读者的巨大社区，我们得以将所有数据转换为一个整洁、去重的包含超过2500良好主题的列表。

我们很高兴地报告，我们的分类足够深入，包含“真菌学”这样的主题！

链接的强度与同属两个主题的信息源数量成正比

主题树：创建层次结构

既然我们的信息源已经有了丰富的主题标签，下一个挑战是引入连接相关主题的更好的组织系统。

有些主题是通用的（“tech”），而另一些则要专门一些（“iPad”）。“iPad”属于“Apple”的子主题，“Apple”又是“Tech”的子主题，像这样的主题层次结构的内部表示，有助于计算推荐。

我们使用模式匹配创建这样的层次结构。下图显示了三个主题（左侧）和与这些主题相关的信息源（右侧）的连接。线越粗，将信息源置于这一主题下的用户就越多。

“Apple”连接“tech”主题信息源的一个子集，所以“Apple”是“tech”的子主题

上面的模式也确认了人们以大致相同的方式使用“tech”和“technology”。“technology”的线要细一点，因为人们较少使用这一术语。不过这两个主题是重复的。同时，“Apple”看起来是“tech”的子主题：它连接了更少的信息源，而且它的连接同时也和“tech”相关。

基于这些模式，我们可以构建所有主题和子主题的树形结构。

现在，如果你访问Feedly的Discover（发现）页面，你会找到一个特色主题列表。点击任意主题即可开始浏览。相关主题有助于你进一步深入层次结构。

排列每个主题的推荐信息源

创建主题并组织为层次结构后，我们仍然需要决定推荐哪些信息源，以什么顺序推荐。我们想要根据以下三个标准进行优化：

相关性 —— 用户添加信息源至该主题与其他主题的比例

关注数 —— 多少用户连接了这一信息源

粘度 —— 质量和关注的代理

前两个标准很是直截了当。人们期望看到和他们浏览的主题相关的流行网站，同时常常需要折衷这两个测度。

第三个标准更加主观。它应该反映网站的质量，独立于阅读该站点的用户绝对数量。事实上，我们相信，一些小众站点可能读者较少，但内容更好。

“信息源之战”试验

为了计算粘度评分，我们在Feedly社区中运行了一项试验。我们选择了一些和“tech”主题相关的信息源，并让用户投票更喜欢哪些信息源。

我们在一周内收集了25000张票，生成了这些站点的排名。我们寻找和用户喜欢程度最相关的特征。

例如，在下表中，我们展示了信息源得分和阅读该信息源的平均时间之间的关系（“read_time”，阅读时间，相关性大致等于0.45）。相关性是正的，这意味着评分越高，人们花在该信息源上的时间大概就越长。这里例子中的其他特征同样显示了正相关性，因为它们都是好信息源的指标。我们的方法让我们得以选出和投票结果最相关的特征。接着我们就可以加权组合这些特征，以稍微提升最好的那些信息源的排名。

感谢所有为“信息源之战”试验投票的人。在Discover页面浏览特色主题，或者搜索你最喜欢的主题的时候，都用到了这次试验的结果。

生成“你可能也喜欢”信息源和更多“相关主题”

相关主题不仅包括上面提到的子主题（取自层次结构），还包括基于item2vec协同过滤得到的主题。

我们同样基于item2vec技术，根据你已经关注的信息源，推荐“你可能也喜欢”（You Might Also Like）的信息源。

结语

十分感谢Feedly社区为发现项目所做的直接和间接贡献。祝探索愉快！