“人家写的文章，公布的视频，为什么动辄稀有十万的访问量啊，我写的文章为什么阅读量总是寥若晨星？”小李是公司的电子商务运营职员，这几天小李一向在为找不到偏向忽忽不乐。小李的情形代表大多数的电子商务运营者，因为不相识体系是怎样选择弃取用户内容的，以是他们感触非常苦闷。

对算法熟习的步伐员知道，如今无论是头条体系，照旧阿里巴巴体系，大概是腾讯体系，在内容地分发上，同一采纳推举算法，也便是呆板采纳推举算法完成的。电子商务运营职员只有明确了推举的道理，才气很好完成电子商务运营。那么呆板是怎样完成推举的呢，KNN算法是此中的魂魄。

啥是KNN算法

KNN的全称是K Nearest（近来的） Neighbors（邻人），意思是K 个近来的邻人，K代表不确定的数目。也便是依据K个近来邻人特性，向用户推举内容。

这听起来有些抽象，我们举个详细的例子，细致解说一下究竟什么是KNN算法。

假设你是一个短视频谋划平台A，你要向你的用户张三推举他喜爱的短视频内容。我们设计的思绪是如许的，起首我们盘算找到与张三兴趣喜好最相近的K个朋侪，然后认定张三也喜爱他的K个朋侪喜爱的内容，将他朋侪喜爱的内容推举给张三。

我们起首将全部的用户放入坐标之中。

全部的用户放入坐标之中

然后，找到与张三兴趣喜好最靠近的3位朋侪，也便是K=3（这个K是体系开辟者设定的，但不是随意的啊），我们鉴定李四、王五、赵六，与张三在短视频上有配合的喜好。

与推举用户最紧密干系的人

有了如许的图表今后，创建推举体系就变得非常简洁。只如果李四、王五、赵六喜爱的短视频，就将其推举给张三。

将张三朋侪李四喜爱的视频推举给张三

这便是KNN算法的简洁规律，但是另有两个题目，必要解说一下，便是K值拔取几多为好呢，相似性是怎么盘算出来的呢等。

K值是怎样盘算得来的

K值的拔取非常紧张，不克不及太大也不克不及太小。还拿短视频推举的例子来讲，我们计划为张三拔取在短视频方面有配合喜好的人，假如只是拔取一小我私家作为配合喜好者时，一旦张三举动产生改变，那么就会显现毛病，无法为张三推举短视频。

假如拔取K的值过大，也便是联系关系的朋侪过多，也会显现情形，由于朋侪过多，差别较大，张三上彀拔取短视频时间，也会显现无短视频可推送的情形。

学术上称这两种情形过拟合（over-fitting ）和欠拟合（under-fitting）。

K的取值只管即便要取奇数，常用的要领是从k=1开始，每次K增值1，以找到最佳的目的。

怎么盘算两人之间的配合喜好啊

我们还以A短视频平台向张三推举短视频为例，假设A平台要向张三推举短视频，平台就必要将张三等短视频用户放到图表中，并转化为一组坐标，确定了他们的坐标，就可以盘算他们之间的间隔了。

张三的坐标

下图是将用户转化为一组数字的方法。用户注册时，要求他们指出他们喜爱的短视频范例，并指出对种种短视频的喜爱水平。

张三、李四、王五对差别范例短视频的喜爱水平打分

如许，对付每位用户，都将得到一组数字。那么我们盘算张三和李四之间的间隔的公式为：

间隔盘算公式

他们之间的数值越小，间隔越近。

因为种种庞大的缘故原由，他们之间的盘算公式不都是如许的盘算，另有余弦间隔、Tanimoto 系数等要领。

回到上面的短视频推举中，颠末盘算，我们知道了和张三之间间隔近来的人，他们喜爱的短视频大概便是张三喜爱的短视频，如许我们就可以给张三推举短视频了。

现实的推举体系远比这个庞大

上面我们看到，我们向张三推举的短视频体系是通过张三的好朋侪实现的。现实上在真实的短视频、消息内容推举体系中，远比这个庞大。

除了上面的这种推举要领之外，还可以基于内容自己的特性向用户推举内容，体系基于用户的喜欢评价工具的特性，然后盘算用户和内容的立室水平，并向用户推举内容。现实应用中还每每用到基于联系关系规章、基于服从、基于知识等推举要领。

我们知道头条在推举内容时间是起首基于内容向用户推举一轮，假如批评、转发、收藏比力多，他们他们还会基于协同，也便是基于好朋侪再向相干的用户推举一轮。这就综合运用了种种推举要领。淘宝的推举要领也是综合运用种种要素举行推举的，此中商家的权重便是基于服从推举的。

解说：无论采纳何种推举要领，其焦点的算法照旧KNN算法，其具有简洁易用、模子练习时间快、猜测成效好、对特别值不敏感等长处，缺点是对内存要求高、假如猜测大概比力慢、对数据范围比力敏感。

推举体系机制

在相识了体系推举机制之后，我们必要梳理一下本身的思绪。目的用户关怀的是我们电子商务运营的偏向；同时，我们也要明确推举的机制，我们的电子商务运营目的要与体系推举平台的目的告竣同等。