实战智能推荐系统（3）-- 广发推荐系统交流会议

今天有幸参与了一场广发证券公司内部的交流会，主要是邀请了在推荐系统上有过学术研究的博士以及广发项目经理等业务人员，还有IT技术人员参与的一个产学研交流会。期间，博士讲过一些矩阵分解，知识图谱等技术要点我就不提及了。关键是技术之后的东西我觉得可以拿出来叙述一下：
（1）推荐系统学术和生产的差异：

        在学术层面，关注的可能是技术本身，即算法的原理和优化。但是在产品层面，这种东西就可高可低了，可以单纯用业务写出一个简单的推荐系统，也可以用机器学习在大量数据上的统计分析。关键是用什么规则推荐才能产生效益的问题。之前广发基于很细化的业务也做过一个推荐系统，比如用户购买过的基金的相同行业，相同产品经理，产品收益，用户持仓等，可以定义一个很细化的推荐规则，给用户推荐理财产品。推荐系统并不在于技术的先进与否，关键在于你的推荐规则是否有效，但这个规则确实做不到千人千面。评价一个规则是否有效，最直接的方法就是实际的转化率。
（2）数据的支撑：

        要做一个推荐系统，大量的数据支撑肯定是必要的，也是最基本的，同时可能也是最耗费人力的。可以通过爬虫爬取公开的数据，但是学术这么做完全可以，企业不行。如果确保数据是正确的，有些数据本身就是错误的，爬取的数据很难保证正确性。这个可能需要做一个判断的标准，这个标准本身就很难定义。可能一个问题，爬取到了十个答案，怎么确定谁是对的？以答案最多的那个？另外还有一个难题，不同的行业不同的地域可能同一个实例有不同的描述，如何拓展开来并关联的问题。不过广发主要还是通过购买的渠道获取数据，这个点对于广发来说可能不是问题了。
（3）图谱的建立：

        现在有了数据，如何建立知识图谱的问题。图谱怎么建，从哪些维度建，这看起来本身就是个核心的问题。因为只要知识图谱构建完毕，接下来就是应用的问题。但是现在的问题是怎么建才能满足需求。关键是满足什么需求，广发启动这个项目的时候，本身也不知道知识图谱这个东西在证券领域能应用解决哪些需求。包括广发的知识图谱的合作方也不清楚，如果知识图谱确定下来能解决某一个具体的需求，那么广发的供应商就可以拿他们的图谱直接去卖钱了。所以他们也希望探索出知识图谱在证券行业的商业价值。广发是这个方向上第一个踏出脚步的人。但需求不明确，也就意味着，图谱怎么构建就是一个很茫然的问题。所以探讨的解决方案是，先将知识图谱尽可能完善的构建出来，然后基于分析技术提取pattern，其中可能会有有价值的，不同的业务人员会看到不同的信息。
（4）图谱的实效性：

        图谱的数据如何实现自我更新的问题，因为不可能一直基于老旧的数据系统维持推荐系统，比如基金的每天收益和价格波动，这些可能是推荐系统中关键的数据分析支撑。也就意味着，推荐系统必须有自我数据更新的能力，这也是有待解决的问题。
（5）数据有效挖掘分析：

        在最消耗人力的知识图谱建立完毕后，怎么有效挖掘，实现数据分析的问题。

总结：推荐系统可简单可复杂，复杂的功能可以先从简单的实践做起。实际更多的是繁琐的数据清理和整合的工作，这才是推荐系统最基础的最直接的支撑。