亚洲伊人久久精品影院,91精品尤物福利国产,欧美特黄一区二区,96久久精品人人妻人人槡

A5創(chuàng )業(yè)項目春季招商 好項目招代理無(wú)憂(yōu)

時(shí)逢年假，把自己對部分場(chǎng)景以及推薦系統的理解整理出來(lái)，大多只是提出疑問(wèn)與簡(jiǎn)單思考。

一、什么才是好的推薦系統

推薦系統要平衡好幾方的關(guān)系

推薦系統三方關(guān)系

用戶(hù)：接收到有用的、有趣的內容; 站方：在不斷的好文推薦中，讓用戶(hù)參與其中，升級消費觀(guān)念，最終達到轉化率效果; 內容提供者：內容的參與度提升，曝光度增加，鼓勵用戶(hù)不斷產(chǎn)生內容;

在這三方參與者之間，其實(shí)普通用戶(hù)才是關(guān)鍵。如果用戶(hù)在閱讀過(guò)程中，無(wú)法接收到有用、有趣的內容，那站方、內容提供者的愿景更是無(wú)從實(shí)現。什么樣的內容才是有用的信息?什么樣的推薦系統才是好的推薦系統?從算法角度講，“精準”是推薦系統的衡量標準，即關(guān)聯(lián)相似度。

可是事實(shí)真的是這樣嗎? 提出幾個(gè)場(chǎng)景：

用戶(hù)收藏了一篇關(guān)于“家裝”內容的文章，就根據相似度理論不斷推送同類(lèi)文章。

一周內用戶(hù)“好價(jià)”內多次搜索、瀏覽同一關(guān)鍵詞，第二周停止搜，用戶(hù)是不是已經(jīng)完成購買(mǎi)這一產(chǎn)品了?

用戶(hù)在好價(jià)內搜索“軟毛牙刷”，那好文系統應該推送的是“牙刷測評”還是關(guān)聯(lián)”口腔健康“商品的文章呢? ……

推薦系統不僅僅應該只追求“精準”，因為這可能造成兩項誤區：

重復推送，用戶(hù)可能已經(jīng)購買(mǎi)過(guò)類(lèi)似商品或者根本對這類(lèi)文章失去了興趣

用戶(hù)本來(lái)就打算購買(mǎi)的商品，單一推薦并不能夠增加潛在的消費升級，反而是相似度更小的衍生產(chǎn)品文章，會(huì )讓用戶(hù)感到新意，同時(shí)提高KOI

所以，對于我們的好文推薦系統體系，要完成的不僅僅應該是“精準”，而是在準確識別預測用戶(hù)行為的同時(shí)，幫助擴展用戶(hù)的視野，幫助用戶(hù)發(fā)展他們可能感興趣，自己卻并沒(méi)有發(fā)現的內容。

也就是說(shuō)，好文推薦系統的場(chǎng)景是極為重要的，應該有懂推薦系統和業(yè)務(wù)流程的產(chǎn)品經(jīng)理同時(shí)加入到推薦系統團隊

二、理解用戶(hù)的行為

分析前，我們首先要關(guān)注用戶(hù)行為和數據：

用戶(hù)數據來(lái)源

以上全部數據都會(huì )是判斷用戶(hù)行為的來(lái)源。那如果訓練一個(gè)二進(jìn)制分類(lèi)器，首要任務(wù)是定義正負樣本，為樣本定義正負標簽絕不是普通任務(wù)，聯(lián)系場(chǎng)景考慮，有什么可能存在的坑?

思路有限，我們就單從好價(jià)瀏覽內容時(shí)用戶(hù)數據入手 先畫(huà)一個(gè)行為漏斗：

行為漏斗

最簡(jiǎn)單的思路是：按照行為漏斗的深度對樣本行為設立不同權重，判斷用戶(hù)行為偏好，然后進(jìn)行推薦，可現實(shí)場(chǎng)景確實(shí)是這樣嗎?

簡(jiǎn)單提幾個(gè)問(wèn)題： 1、什么樣的數據可以看作正樣本? 2、點(diǎn)擊行為都是正樣本嗎? 3、點(diǎn)“值”是什么想法?“不值”呢? 4、評論行為證明什么?用戶(hù)是在提出問(wèn)題還是回答問(wèn)題? 5、買(mǎi)過(guò)的商品還需要再推送嗎? ……

討論這幾個(gè)問(wèn)題的基礎要回到推薦系統的第一步：理解/獲取用戶(hù)需求 那用戶(hù)真的需要什么?怎么理解他的行為?

對剛才的問(wèn)題一個(gè)個(gè)來(lái)討論：(不以詳盡性為目的，只做討論)

1、什么樣的數據可以看作正樣本?

行為漏斗中只有“收藏、分享”這兩個(gè)動(dòng)作能被完全看作為正樣本，分享的行為成本還要高于收藏，但是收藏對于推薦系統識別是有很大幫助的，這證明用戶(hù)對于這類(lèi)商品是有興趣的，有潛在的購買(mǎi)需求，這符合我們推薦的基本場(chǎng)景。

2、點(diǎn)擊行為都是正樣本嗎?

所有的不點(diǎn)擊動(dòng)作都可以看作負樣本，但是對于點(diǎn)擊動(dòng)作也應該分情況討論。比如：

3、點(diǎn)“值”是什么想法?“不值”呢?

交互動(dòng)作很大一部分發(fā)生在“值/不值”上，但是這個(gè)行為是一個(gè)很復雜的動(dòng)作，例如：

不同頻次的“點(diǎn)值/不值”動(dòng)作，很值得我們討論。因為點(diǎn)值行為是值得買(mǎi)平臺內中為數不多的評分反饋，更可能反應了用戶(hù)深層次的行為驅動(dòng)，他真的想要什么?喜歡什么?行為永遠比言語(yǔ)更能反應用戶(hù)的內心。

4、評論行為證明什么?用戶(hù)是在提出問(wèn)題還是回答問(wèn)題?

之前的討論里用數據分析過(guò)評論區中的內容，但是我們分析的是：用戶(hù)在討論什么?需要什么?而今天我們除了這個(gè)結果以外，我們還需要討論一點(diǎn)：這些用戶(hù)是誰(shuí)?提問(wèn)者?回答者?他是不是已經(jīng)購買(mǎi)過(guò)這個(gè)商品了?我們應該更偏向對于提問(wèn)者推送相關(guān)內容，因為他們是更潛在的購買(mǎi)者， 對于專(zhuān)家用戶(hù)，可能他已經(jīng)對類(lèi)似內容失去興趣了。

5、買(mǎi)過(guò)的商品還需要再推送嗎?

不能夠確定值得買(mǎi)平臺有沒(méi)有用戶(hù)購買(mǎi)數據(例如海淘網(wǎng)站返利成功數據)，如果存在這個(gè)數據庫的話(huà)，這完全能夠用戶(hù)是否購買(mǎi)過(guò)這個(gè)產(chǎn)品。如果沒(méi)有的話(huà)，只能從用戶(hù)深層的行為來(lái)判斷他是不是購買(mǎi)過(guò)這個(gè)產(chǎn)品了。

三、推薦場(chǎng)景思考

當理解用戶(hù)行為之后，開(kāi)始推薦系統第二步：滿(mǎn)足用戶(hù)需求，用算法做推薦。

大部分電商網(wǎng)站現在都采取了較為成熟完善的協(xié)同過(guò)濾算法，作為推薦系統的主體。同時(shí)也采用了多種推薦系統算法加權累加，例如：FFM、SVM、LFM等。我個(gè)人建議以CF item based為主，一是因為算法成熟，便于實(shí)現，二是user 數目遠大于 item 數目，user based 很難以對用戶(hù)進(jìn)行歸類(lèi)。

做相似度分析第一步：Item畫(huà)像設計，其遵循的原則為提煉出那些易于區分不同Item的顯著(zhù)性特征或標簽。這一步需要做詳盡性分析，不做討論。

轉而思考計算相似度時(shí)， 除了在本身item標簽內容中計算相似距離，我們還需要考慮什么場(chǎng)景?什么特殊因子?

1、冷啟動(dòng)場(chǎng)景：

通常在新用戶(hù)進(jìn)入系統時(shí)，沒(méi)有數據來(lái)源導致冷啟動(dòng)問(wèn)題，大多數網(wǎng)站采取主動(dòng)選擇標簽功能，進(jìn)行標簽相關(guān)內容推送：

2、推薦不是“推送”，不同用戶(hù)的首頁(yè)流推薦

首頁(yè)的好文推薦是產(chǎn)品引流最重要的窗口，可是過(guò)度推送好文會(huì )影響部分產(chǎn)品用戶(hù)的用戶(hù)體驗，從而影響轉化率。如果根據不同用戶(hù)使用場(chǎng)景決定首頁(yè)流中好文的推送條數，可能效果會(huì )好一些。例如用戶(hù)停留時(shí)間和用戶(hù)日均瀏覽數來(lái)作為不同參數，確定權重W ，計算評分R

根據評分 R 的不同，來(lái)確定首頁(yè)流的推薦數目。

3、多次重復推送同一品類(lèi)文章：多樣性問(wèn)題

用戶(hù)在內容平臺所希望收獲的文章一定是多樣的，如果在較長(cháng)時(shí)間跨度里推薦系統只能覆蓋單一興趣點(diǎn)，那這個(gè)推薦列表在長(cháng)期評估時(shí)一定是無(wú)法讓用戶(hù)滿(mǎn)意的。

那也就是說(shuō)，我們在推薦系數時(shí)，必要考慮一個(gè)因子來(lái)控制多樣性問(wèn)題，如果當系統想推薦文章i時(shí)，我們就要對已經(jīng)在文章列表R(u)內任意文章 j ，計算相似度,引入

如果系統的推薦分布頻次，可以和用戶(hù)點(diǎn)擊頻次掛鉤，那結果就完全符合多樣性要求了。

4、熱門(mén)內容更熱，冷門(mén)內容依然無(wú)人問(wèn)津：馬太效應

馬太效應在UGC平臺是常見(jiàn)的，通常體現在用戶(hù)瀏覽參與集中于的熱門(mén)文章中，大部分內容的參與度極低，也可以稱(chēng)為覆蓋率問(wèn)題。覆蓋率可以描述一個(gè)推薦系統對于文章推薦效果長(cháng)尾能力的發(fā)掘,指推薦文章占全部?jì)热莸恼急?，可以用信息熵度量?/p>

作為整個(gè)UGC平臺的管理方，站方有責任讓所有優(yōu)質(zhì)的UGC內容受到關(guān)注，而并非只有熱門(mén)內容，只有克服馬太效應，這樣才能夠讓發(fā)帖用戶(hù)感受到更多的關(guān)注度，鼓勵激發(fā)更多的優(yōu)質(zhì)內容。

加入一個(gè)因子懲罰熱門(mén)權重

5、產(chǎn)品鏈層次因素

回想在本文開(kāi)篇處提出的問(wèn)題：用戶(hù)在好價(jià)內搜索“軟毛牙刷”，那好文系統應該推送的是“牙刷測評”還是關(guān)聯(lián)”口腔健康“商品的文章呢?

宏觀(guān)來(lái)看，所有品類(lèi)的商品都存在產(chǎn)品鏈上下層的關(guān)系。買(mǎi)了iphone X的人可能對于手機殼感興趣，想買(mǎi)普通牙刷的人可能就是漱口水、電動(dòng)牙刷的潛在消費者。沒(méi)有一項產(chǎn)品是單獨存在的，既然我們要做的是提高用戶(hù)消費觀(guān)念，那推薦系統是不是該偏向推送更深層次的內容，加大權重。

6、買(mǎi)過(guò)的產(chǎn)品還要推送嗎?

當我們已知用戶(hù)購買(mǎi)過(guò)產(chǎn)品后，我們是否應該再次推送相關(guān)內容呢? 這個(gè)時(shí)候我們需要判斷商品的消耗性、周期性、以及是否高話(huà)題性。這都關(guān)乎著(zhù)是否再次推送內容，什么時(shí)候再推送內容。但是具體情況太多，就不做算法推導了。

說(shuō)一個(gè)很有趣的現象，淘寶的推薦系統工程師做過(guò)實(shí)驗，點(diǎn)擊率最高的推薦項目是用戶(hù)剛剛搜過(guò)，剛剛完成購買(mǎi)的商品。但是重復推送內容，這是一個(gè)好的推薦系統該做的嗎?團隊目的到底是什么：推薦系統點(diǎn)擊率高?提供用戶(hù)感興趣的內容?KpI ?不同目的可能導致結果相差萬(wàn)千。

7、實(shí)時(shí)性

實(shí)時(shí)性主要是要求推薦系統在分鐘級/秒級完成數據分析，作出預判，并且對其作出操作。這個(gè)問(wèn)題主要面對的是技術(shù)性問(wèn)題，因為許多網(wǎng)站的推薦系統都是以天為單位進(jìn)行日志讀取操作，再完成推薦動(dòng)作。而如果要完成實(shí)時(shí)操作，就只能簡(jiǎn)化推薦系統算法，例如 對于User-Item行為矩陣進(jìn)行擴充動(dòng)作簡(jiǎn)化預測過(guò)程。

需要根據場(chǎng)景采納不同的推薦模式，好文內容可能更適合離線(xiàn)式方法。

后記

其實(shí)基于值得買(mǎi)推薦系統，XgBoost 與Factorization Machine (最新的FFM)都可能有不錯的效果，但是本文討論以場(chǎng)景為出發(fā)點(diǎn)，不討論算法具體內容，而且業(yè)界大多數都認可一個(gè)觀(guān)點(diǎn)，即在推薦系統中：UI > 數據 > 算法，如果讓用戶(hù)接納，并覺(jué)得懂得其心，這才是最關(guān)鍵的一點(diǎn)。

pS：寫(xiě)文章時(shí)正逢年節，喝酒誤事，思路斷斷續續。前后內容繁雜，一人之力遠無(wú)法考慮周全，只做簡(jiǎn)單思考，學(xué)習總結之用。

始發(fā)于簡(jiǎn)書(shū)：周CC君