视频一区二区欧美丨亚洲国产欧美动漫在线人成丨日本三级一区丨91新网站丨日韩草比丨亚洲综合色噜噜狠狠网站超清丨蜜桃无码一区二区三区丨久久99热婷婷精品一区丨久久久久黄色片丨国内激情自拍丨深夜在线网站丨国产精品1000夫妇激情啪丨julia中文字幕久久亚洲蜜臀丨视频h在线丨亚洲精品国产综合99久久夜夜嗨丨成人免费午夜性大片丨最新三级网站丨欧美激情视频在线播放丨午夜伦4480yy私人影院丨91在线视频导航

A5創業項目春季招商 好項目招代理無憂

時逢年假，把自己對部分場景以及推薦系統的理解整理出來，大多只是提出疑問與簡單思考。

一、什么才是好的推薦系統

推薦系統要平衡好幾方的關系

推薦系統三方關系

用戶：接收到有用的、有趣的內容; 站方：在不斷的好文推薦中，讓用戶參與其中，升級消費觀念，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，鼓勵用戶不斷產生內容;

在這三方參與者之間，其實普通用戶才是關鍵。如果用戶在閱讀過程中，無法接收到有用、有趣的內容，那站方、內容提供者的愿景更是無從實現。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，即關聯相似度。

可是事實真的是這樣嗎? 提出幾個場景：

用戶收藏了一篇關于“家裝”內容的文章，就根據相似度理論不斷推送同類文章。

一周內用戶“好價”內多次搜索、瀏覽同一關鍵詞，第二周停止搜，用戶是不是已經完成購買這一產品了?

用戶在好價內搜索“軟毛牙刷”，那好文系統應該推送的是“牙刷測評”還是關聯”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，用戶可能已經購買過類似商品或者根本對這類文章失去了興趣

用戶本來就打算購買的商品，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品文章，會讓用戶感到新意，同時提高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行為的同時，幫助擴展用戶的視野，幫助用戶發展他們可能感興趣，自己卻并沒有發現的內容。

也就是說，好文推薦系統的場景是極為重要的，應該有懂推薦系統和業務流程的產品經理同時加入到推薦系統團隊

二、理解用戶的行為

分析前，我們首先要關注用戶行為和數據：

用戶數據來源

以上全部數據都會是判斷用戶行為的來源。那如果訓練一個二進制分類器，首要任務是定義正負樣本，為樣本定義正負標簽絕不是普通任務，聯系場景考慮，有什么可能存在的坑?

思路有限，我們就單從好價瀏覽內容時用戶數據入手 先畫一個行為漏斗：

行為漏斗

最簡單的思路是：按照行為漏斗的深度對樣本行為設立不同權重，判斷用戶行為偏好，然后進行推薦，可現實場景確實是這樣嗎?

簡單提幾個問題： 1、什么樣的數據可以看作正樣本? 2、點擊行為都是正樣本嗎? 3、點“值”是什么想法?“不值”呢? 4、評論行為證明什么?用戶是在提出問題還是回答問題? 5、買過的商品還需要再推送嗎? ……

討論這幾個問題的基礎要回到推薦系統的第一步：理解/獲取用戶需求 那用戶真的需要什么?怎么理解他的行為?

對剛才的問題一個個來討論：(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”這兩個動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，這證明用戶對于這類商品是有興趣的，有潛在的購買需求，這符合我們推薦的基本場景。

2、點擊行為都是正樣本嗎?

所有的不點擊動作都可以看作負樣本，但是對于點擊動作也應該分情況討論。比如：

3、點“值”是什么想法?“不值”呢?

交互動作很大一部分發生在“值/不值”上，但是這個行為是一個很復雜的動作，例如：

不同頻次的“點值/不值”動作，很值得我們討論。因為點值行為是值得買平臺內中為數不多的評分反饋，更可能反應了用戶深層次的行為驅動，他真的想要什么?喜歡什么?行為永遠比言語更能反應用戶的內心。

4、評論行為證明什么?用戶是在提出問題還是回答問題?

之前的討論里用數據分析過評論區中的內容，但是我們分析的是：用戶在討論什么?需要什么?而今天我們除了這個結果以外，我們還需要討論一點：這些用戶是誰?提問者?回答者?他是不是已經購買過這個商品了?我們應該更偏向對于提問者推送相關內容，因為他們是更潛在的購買者， 對于專家用戶，可能他已經對類似內容失去興趣了。

5、買過的商品還需要再推送嗎?

不能夠確定值得買平臺有沒有用戶購買數據(例如海淘網站返利成功數據)，如果存在這個數據庫的話，這完全能夠用戶是否購買過這個產品。如果沒有的話，只能從用戶深層的行為來判斷他是不是購買過這個產品了。

三、推薦場景思考

當理解用戶行為之后，開始推薦系統第二步：滿足用戶需求，用算法做推薦。

大部分電商網站現在都采取了較為成熟完善的協同過濾算法，作為推薦系統的主體。同時也采用了多種推薦系統算法加權累加，例如：FFM、SVM、LFM等。我個人建議以CF item based為主，一是因為算法成熟，便于實現，二是user 數目遠大于 item 數目，user based 很難以對用戶進行歸類。

做相似度分析第一步：Item畫像設計，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， 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景?什么特殊因子?

1、冷啟動場景：

通常在新用戶進入系統時，沒有數據來源導致冷啟動問題，大多數網站采取主動選擇標簽功能，進行標簽相關內容推送：

2、推薦不是“推送”，不同用戶的首頁流推薦

首頁的好文推薦是產品引流最重要的窗口，可是過度推送好文會影響部分產品用戶的用戶體驗，從而影響轉化率。如果根據不同用戶使用場景決定首頁流中好文的推送條數，可能效果會好一些。例如用戶停留時間和用戶日均瀏覽數來作為不同參數，確定權重W ，計算評分R

根據評分 R 的不同，來確定首頁流的推薦數目。

3、多次重復推送同一品類文章：多樣性問題

用戶在內容平臺所希望收獲的文章一定是多樣的，如果在較長時間跨度里推薦系統只能覆蓋單一興趣點，那這個推薦列表在長期評估時一定是無法讓用戶滿意的。

那也就是說，我們在推薦系數時，必要考慮一個因子來控制多樣性問題，如果當系統想推薦文章i時，我們就要對已經在文章列表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，可以和用戶點擊頻次掛鉤，那結果就完全符合多樣性要求了。

4、熱門內容更熱，冷門內容依然無人問津：馬太效應

馬太效應在UGC平臺是常見的，通常體現在用戶瀏覽參與集中于的熱門文章中，大部分內容的參與度極低，也可以稱為覆蓋率問題。覆蓋率可以描述一個推薦系統對于文章推薦效果長尾能力的發掘,指推薦文章占全部內容的占比，可以用信息熵度量。

作為整個UGC平臺的管理方，站方有責任讓所有優質的UGC內容受到關注，而并非只有熱門內容，只有克服馬太效應，這樣才能夠讓發帖用戶感受到更多的關注度，鼓勵激發更多的優質內容。

加入一個因子懲罰熱門權重

5、產品鏈層次因素

回想在本文開篇處提出的問題：用戶在好價內搜索“軟毛牙刷”，那好文系統應該推送的是“牙刷測評”還是關聯”口腔健康“商品的文章呢?

宏觀來看，所有品類的商品都存在產品鏈上下層的關系。買了iphone X的人可能對于手機殼感興趣，想買普通牙刷的人可能就是漱口水、電動牙刷的潛在消費者。沒有一項產品是單獨存在的，既然我們要做的是提高用戶消費觀念，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、買過的產品還要推送嗎?

當我們已知用戶購買過產品后，我們是否應該再次推送相關內容呢? 這個時候我們需要判斷商品的消耗性、周期性、以及是否高話題性。這都關乎著是否再次推送內容，什么時候再推送內容。但是具體情況太多，就不做算法推導了。

說一個很有趣的現象，淘寶的推薦系統工程師做過實驗，點擊率最高的推薦項目是用戶剛剛搜過，剛剛完成購買的商品。但是重復推送內容，這是一個好的推薦系統該做的嗎?團隊目的到底是什么：推薦系統點擊率高?提供用戶感興趣的內容?KpI ?不同目的可能導致結果相差萬千。

7、實時性

實時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。這個問題主要面對的是技術性問題，因為許多網站的推薦系統都是以天為單位進行日志讀取操作，再完成推薦動作。而如果要完成實時操作，就只能簡化推薦系統算法，例如 對于User-Item行為矩陣進行擴充動作簡化預測過程。

需要根據場景采納不同的推薦模式，好文內容可能更適合離線式方法。

后記

其實基于值得買推薦系統，XgBoost 與Factorization Machine (最新的FFM)都可能有不錯的效果，但是本文討論以場景為出發點，不討論算法具體內容，而且業界大多數都認可一個觀點，即在推薦系統中：UI > 數據 > 算法，如果讓用戶接納，并覺得懂得其心，這才是最關鍵的一點。

pS：寫文章時正逢年節，喝酒誤事，思路斷斷續續。前后內容繁雜，一人之力遠無法考慮周全，只做簡單思考，學習總結之用。

始發于簡書：周CC君