如何为技术博客设计一个推荐系统（中）：基于 Google 搜索的半自动推荐

与统计学相比，基于内容来向用户推荐相似的内容，往往更容易获得。对于推荐来说，则有两种方式：

• 手动推荐
• 自动推荐

手动推荐。在技术领域，作者通常比大多数读者更专业，他们往往知道什么是读者需要的。如，你看了一个 React 相关的文章，你可能会需要 Redux 相关的内容。

自动推荐。需要一些前提条件：融合现有系统的数据信息，获取一些用户的信息。随后，再计算出相关的内容，最后返回给读者。

而在这篇文章里，我们将介绍 ：

1. 标签生成的方式
2. 基于手动标签推荐
3. 半自动的标签推荐
4. 全自动的基于内容推荐

标签生成

文章与我们平时使用的物品，有很大的不同之处。如手机，拥有固定的规格参数，价格、屏幕尺寸、运行内存（RAM）、机身内存、CPU、后置摄像头像素、前置摄像头像素等等，我们可以轻易地通过这些特征，了解用户大概需要什么东西。如果用户浏览的是 2880 的 某 pro 7 手机，那么某米 6 的手机可能更适合该用户。

而文章是一种非结构化的数据，除了作者、写作日期这一类的信息，我们很难直接描述其特性，也就难以判定文章之间是否是相似的。因此，我们就需要从文章中抽取出关键词，或称为标签，从而判断出用户喜欢的是某一种类别。

对于使用标签来向用户推荐产品的应用来说，标签生成方式有四种方式：

• 手动标签
• 机器生成推荐
• 用户手动标记（UGC）
• 混合学习式

手动标签

即，用作者、发布者手动添加相关标签，这种方式往往是最靠谱的。毕竟作者会比较专业，如文章《在 Raspberry Pi 上使用 AVS Device SDK 制作 Alexa 智能音箱》，对于读者来说，他们可能除了 Raspberry Pi，就不懂上面的其它东西，而作者标注了它的关键词（标签）是 avs device sdk、amazon alexa、amazon voice services、raspberry pi。从某种意义上来说，它相当于这篇文件的特征，从这几个关键词我们就可以推断出文章的大致内容了。

对于商品来说，也是相似的，在上架的时候，就拥有了相应的产品数据，如价格、类型、时间等等。

机器生成推荐

这种方式，会根据文章的内容、标题等信息，提取出相应的标签。再按一定的权重来计算相关性，比如标签中所含有的关键词，其相关性会比较强，那么其权重也应该比较大。那么，如果两篇文章里的标签含有的内容关键词相似，那么对于用户来说，他们也可能是相似的。这也就是，我们后面会讲到的『基于内容的推荐』。

用户手动标记（UGC）

对于那些没有内容的产品来说，他们依赖于用户手动标记的标签和评论。诸如豆瓣上的电影、图书等等，都只能由用户手动标记，才能找到相似的内容，并推荐给用户。

于是，这个时候如果一本新书没有用户评价，那么它可能就没有办法推荐给相应的用户。因此这些内容需要进行标签『冷启动』方面的探索，诸如生成一些标签等等。因此，对于那些不能由内容来判定用户喜欢的，则会在用户注册完后，让用户手机选择感兴趣的标签。

混合学习式

在手动标签的情况下，如果是 UGC 的内容，那么为了更多的访问量，用户可能会有意、无意地加上一些无关的标签。如 A 标签的关注用户比较多，相关的它的流量也会比较大，那么贴上 A 标签的文章，也会获得更多的关注。但是由于文章本身与 A 标签无关时，必然会导致用户的不满。而这个时候，如果普通的用户能判定该文章，是否是相关文章时，必然能某种程度上降低这种影响。

相似的，如上我们提到机器在生成标签的时候，也会出现一定的问题。因此，最好的方式就是结合上述的几种不同的标记方式。

基于手动标签推荐：标签数量相关

由于我使用的基于 Django 的 CMS 里，已经包含了后台手动推荐相关文章的功能。因此，我的想法是，先基于某几个特定的标签的数量，来筛选中相关的文章。

在我的第一个原型里，采用的方式比较原始：

1. 获取文章的所有标签
2. 对所有文章的标签进行统计，计数
3. 获取文章标签中计数最多的 tag，查找相同标签的博客
4. 在剩余的博客中，选择第二多 tag，再过滤剩余的博客

keywords_name = model.get_keywordsfield_name()
assigned = getattr(model, keywords_name).all()
all_keywords = Keyword.objects.filter(assignments__in=assigned)
keywords = all_keywords.annotate(item_count=Count("assignments")).order_by('-item_count')

# TODO: filter most popular tag
first_keyword = keywords.first()
if first_keyword:
    first_filtered_blogposts = BlogPost.objects.published().filter(keywords__keyword__title__contains=first_keyword.title)
    first_filtered_blogposts = first_filtered_blogposts.filter(~Q(id=post_id))
    second_keyword = keywords[1]

    if second_keyword:
        blog_posts = first_filtered_blogposts.filter(keywords__keyword__title__contains=second_keyword.title)
        return blog_posts[:3]
    else:
        return []

可这样的推荐算法会出现一些问题：如果同一系列的文章太多，如网上各类的 Vue 高仿站点，那么用户可能已经掌握了，文章的价值就没有那么高，或者可能如鸡汤一样没有价值。如在『玩点什么』的文章中，出现一系列的 home assistant、raspberry pi 相关的文章，它也不能体现出一些差异。

缺点

在站点内，该算法有其特定的意义：标签数量多。但是它并不能真正地解决用户的问题？能体现地体现出网站的价值，但是不一定是对于用户是有价值的。

假如用户搜索了一篇 raspberry pi + homebridge 的文章，那么它确实可以阅读一些相关的文章，而诸如 raspberry pi alexa gpio 从上图来看似乎是一个用户更加喜欢的选择。

而，在这种时候由编辑推荐出来的，反而比较准确。与商品不同的是，文章的手动推荐，往往会是读者可能感举的内容。那么，我们就能留得住用户，同时获得更可观的用户行为流。

上图是『玩点什么的』用户行为流：

• 起始页面，在 387 次会话中，有 260 次用户中途离开
• 首次互动，在 127 次会话中，有 47 次用户中途离开
• 第 2 次互动，在 80 次会话中，有 31 次用户中途离开

这意味着，有 32% 的用户在访问了某个页面后，又访问了其它页面；而有 20% 的用户在上面的基础上，又访问了某个页面。如果能在这之上，完善推荐系统将首次互动提高至 50%，那么就会有相当可观的流量了。

为了改进我们的算法的准确性，这个时候我们可能需要一些额外的东西：权重，于是就需要一个加权计算法。对于文章来说，有一种简单的加权方式，就是计算标题中的关键词。可是我强烈的怀疑这种方式，是不能真正地起到作用的。单一的关键词，只对于网站本身是有价值的，对于用户来说，则不是如此。

半自动标签推荐：基于 Google 搜索权重优化

于是，在我使用 Google Analtyics 的时候，我突然想到可以通过 Google Search Console 来获取用户搜索的关键词。如下表所示，会在 Google Search Console 写明其相应的位置、点击率、出现次数等等的信息：

Queries	Clicks	Impressions	CTR	Position
homebridge-miio	7	28	25%	8.2
home assistant broadlink	4	10	40%	15
amazon echo raspberry pi	3	10	30%	5.0
raspberry pi homebridge	2	6	33.33%	7.7
raspberry pi alexa gpio	2	4	50%	10
nodemcu homekit	2	3	66.67%	13
arduino homekit	1	3	33.33%	9.7

作为一个专业的程序员，我们搜索内容的时候，都会采用『关键词』这种面向机器的接口方式。而作为一个专业的 md 程序员及 SEO 专家，在编写文章标题的时候，我们也应该在标题上写上关键词。

如对应于上面的第一个搜索结果 homebridge-miio，它的标题是《Homekit + Siri 控制小米插座 ：基于 HomeBridge 与 homebridge-miio》；相似的，用户在 Google 上搜索 home assistant broadlink 的时候，它对应的文章标题便是《Raspberry Pi + Home Assistant 智能家居（二）：万能摇控 Broadlink RM Pro 红外控制所有家电》，以此类推。

因此，这才是真正有『价值』的权重。

更新权重

于是便下载 CSV，创建新的 model，导入到数据库中。然后，做了一个简单的权重算法：

第一个关键词 = 关键词次数 * 0.25 + 关键词查询次数 * 0.75

代码如下所示：

    for keyword in keywords:
        related_queries = Query.objects.filter(queries__contains=keyword.title)
        keywords[index].item_count *= 0.75

        if related_queries:
            for query in related_queries:
                keywords[index].item_count += query.clicks * 0.25

        if index > 1 and keywords[index].item_count > keywords[index - 1].item_count:
            top_rank_keyword = keywords[index].title

        index += 1

代码中的，第二个关键词则仍然是『按频率取词』，如果出现与第一关键词重复，则选用第二频率的关键词~~、

考虑了 Google Search Console 的搜索结果相当有意义。便顺手也做了一个相关性搜索，当用户搜索 Raspberry Pi，那么它可能还会结合 Arduino ?? 那么，它可以在网站的右侧，为用户显示出可感兴趣的搜索内容。

不过，这个关键词表的最大意义在于，找出用户最需要的关键词；同时，也能帮我们找到，那些能在 Google 排到个好位置的词语。