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(chuàng)業(yè)項(xiàng)目春季招商 好項(xiàng)目招代理無(wú)憂

時(shí)逢年假，把自己對(duì)部分場(chǎng)景以及推薦系統(tǒng)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(tǒng)

推薦系統(tǒng)要平衡好幾方的關(guān)系

推薦系統(tǒng)三方關(guān)系

用戶：接收到有用的、有趣的內(nèi)容; 站方：在不斷的好文推薦中，讓用戶參與其中，升級(jí)消費(fèi)觀念，最終達(dá)到轉(zhuǎn)化率效果; 內(nèi)容提供者：內(nèi)容的參與度提升，曝光度增加，鼓勵(lì)用戶不斷產(chǎn)生內(nèi)容;

在這三方參與者之間，其實(shí)普通用戶才是關(guān)鍵。如果用戶在閱讀過(guò)程中，無(wú)法接收到有用、有趣的內(nèi)容，那站方、內(nèi)容提供者的愿景更是無(wú)從實(shí)現(xiàn)。什么樣的內(nèi)容才是有用的信息?什么樣的推薦系統(tǒng)才是好的推薦系統(tǒng)?從算法角度講，“精準(zhǔn)”是推薦系統(tǒng)的衡量標(biāo)準(zhǔn)，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：

用戶收藏了一篇關(guān)于“家裝”內(nèi)容的文章，就根據(jù)相似度理論不斷推送同類文章。

一周內(nèi)用戶“好價(jià)”內(nèi)多次搜索、瀏覽同一關(guān)鍵詞，第二周停止搜，用戶是不是已經(jīng)完成購(gòu)買這一產(chǎn)品了?

用戶在好價(jià)內(nèi)搜索“軟毛牙刷”，那好文系統(tǒng)應(yīng)該推送的是“牙刷測(cè)評(píng)”還是關(guān)聯(lián)”口腔健康“商品的文章呢? ……

推薦系統(tǒng)不僅僅應(yīng)該只追求“精準(zhǔn)”，因?yàn)檫@可能造成兩項(xiàng)誤區(qū)：

重復(fù)推送，用戶可能已經(jīng)購(gòu)買過(guò)類似商品或者根本對(duì)這類文章失去了興趣

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

所以，對(duì)于我們的好文推薦系統(tǒng)體系，要完成的不僅僅應(yīng)該是“精準(zhǔn)”，而是在準(zhǔn)確識(shí)別預(yù)測(cè)用戶行為的同時(shí)，幫助擴(kuò)展用戶的視野，幫助用戶發(fā)展他們可能感興趣，自己卻并沒(méi)有發(fā)現(xiàn)的內(nèi)容。

也就是說(shuō)，好文推薦系統(tǒng)的場(chǎng)景是極為重要的，應(yīng)該有懂推薦系統(tǒng)和業(yè)務(wù)流程的產(chǎn)品經(jīng)理同時(shí)加入到推薦系統(tǒng)團(tuán)隊(duì)

二、理解用戶的行為

分析前，我們首先要關(guān)注用戶行為和數(shù)據(jù)：

用戶數(shù)據(jù)來(lái)源

以上全部數(shù)據(jù)都會(huì)是判斷用戶行為的來(lái)源。那如果訓(xùn)練一個(gè)二進(jìn)制分類器，首要任務(wù)是定義正負(fù)樣本，為樣本定義正負(fù)標(biāo)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(nèi)容時(shí)用戶數(shù)據(jù)入手 先畫一個(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(duì)樣本行為設(shè)立不同權(quán)重，判斷用戶行為偏好，然后進(jìn)行推薦，可現(xiàn)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(shù)據(jù)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(píng)論行為證明什么?用戶是在提出問(wèn)題還是回答問(wèn)題? 5、買過(guò)的商品還需要再推送嗎? ……

討論這幾個(gè)問(wèn)題的基礎(chǔ)要回到推薦系統(tǒng)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(duì)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(shù)據(jù)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(duì)于推薦系統(tǒng)識(shí)別是有很大幫助的，這證明用戶對(duì)于這類商品是有興趣的，有潛在的購(gòu)買需求，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(fù)樣本，但是對(duì)于點(diǎn)擊動(dòng)作也應(yīng)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(fù)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?yàn)辄c(diǎn)值行為是值得買平臺(tái)內(nèi)中為數(shù)不多的評(píng)分反饋，更可能反應(yīng)了用戶深層次的行為驅(qū)動(dòng)，他真的想要什么?喜歡什么?行為永遠(yuǎn)比言語(yǔ)更能反應(yīng)用戶的內(nèi)心。

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

之前的討論里用數(shù)據(jù)分析過(guò)評(píng)論區(qū)中的內(nèi)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(gè)結(jié)果以外，我們還需要討論一點(diǎn)：這些用戶是誰(shuí)?提問(wèn)者?回答者?他是不是已經(jīng)購(gòu)買過(guò)這個(gè)商品了?我們應(yīng)該更偏向?qū)τ谔釂?wèn)者推送相關(guān)內(nèi)容，因?yàn)樗麄兪歉鼭撛诘馁?gòu)買者， 對(duì)于專家用戶，可能他已經(jīng)對(duì)類似內(nèi)容失去興趣了。

5、買過(guò)的商品還需要再推送嗎?

不能夠確定值得買平臺(tái)有沒(méi)有用戶購(gòu)買數(shù)據(jù)(例如海淘網(wǎng)站返利成功數(shù)據(jù))，如果存在這個(gè)數(shù)據(jù)庫(kù)的話，這完全能夠用戶是否購(gòu)買過(guò)這個(gè)產(chǎn)品。如果沒(méi)有的話，只能從用戶深層的行為來(lái)判斷他是不是購(gòu)買過(guò)這個(gè)產(chǎn)品了。

三、推薦場(chǎng)景思考

當(dāng)理解用戶行為之后，開(kāi)始推薦系統(tǒng)第二步：滿足用戶需求，用算法做推薦。

大部分電商網(wǎng)站現(xiàn)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(tǒng)的主體。同時(shí)也采用了多種推薦系統(tǒng)算法加權(quán)累加，例如：FFM、SVM、LFM等。我個(gè)人建議以CF item based為主，一是因?yàn)樗惴ǔ墒欤阌趯?shí)現(xiàn)，二是user 數(shù)目遠(yuǎn)大于 item 數(shù)目，user based 很難以對(duì)用戶進(jìn)行歸類。

做相似度分析第一步：Item畫像設(shè)計(jì)，其遵循的原則為提煉出那些易于區(qū)分不同Item的顯著性特征或標(biāo)簽。這一步需要做詳盡性分析，不做討論。

轉(zhuǎn)而思考計(jì)算相似度時(shí)， 除了在本身item標(biāo)簽內(nèi)容中計(jì)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：

通常在新用戶進(jìn)入系統(tǒng)時(shí)，沒(méi)有數(shù)據(jù)來(lái)源導(dǎo)致冷啟動(dòng)問(wèn)題，大多數(shù)網(wǎng)站采取主動(dòng)選擇標(biāo)簽功能，進(jìn)行標(biāo)簽相關(guān)內(nèi)容推送：

2、推薦不是“推送”，不同用戶的首頁(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)品用戶的用戶體驗(yàn)，從而影響轉(zhuǎn)化率。如果根據(jù)不同用戶使用場(chǎng)景決定首頁(yè)流中好文的推送條數(shù)，可能效果會(huì)好一些。例如用戶停留時(shí)間和用戶日均瀏覽數(shù)來(lái)作為不同參數(shù)，確定權(quán)重W ，計(jì)算評(píng)分R

根據(jù)評(píng)分 R 的不同，來(lái)確定首頁(yè)流的推薦數(shù)目。

3、多次重復(fù)推送同一品類文章：多樣性問(wèn)題

用戶在內(nèi)容平臺(tái)所希望收獲的文章一定是多樣的，如果在較長(zhǎng)時(shí)間跨度里推薦系統(tǒng)只能覆蓋單一興趣點(diǎn)，那這個(gè)推薦列表在長(zhǎng)期評(píng)估時(shí)一定是無(wú)法讓用戶滿意的。

那也就是說(shuō)，我們?cè)谕扑]系數(shù)時(shí)，必要考慮一個(gè)因子來(lái)控制多樣性問(wèn)題，如果當(dāng)系統(tǒng)想推薦文章i時(shí)，我們就要對(duì)已經(jīng)在文章列表R(u)內(nèi)任意文章 j ，計(jì)算相似度,引入

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

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

馬太效應(yīng)在UGC平臺(tái)是常見(jiàn)的，通常體現(xiàn)在用戶瀏覽參與集中于的熱門文章中，大部分內(nèi)容的參與度極低，也可以稱為覆蓋率問(wèn)題。覆蓋率可以描述一個(gè)推薦系統(tǒng)對(duì)于文章推薦效果長(zhǎng)尾能力的發(fā)掘,指推薦文章占全部?jī)?nèi)容的占比，可以用信息熵度量。

作為整個(gè)UGC平臺(tái)的管理方，站方有責(zé)任讓所有優(yōu)質(zhì)的UGC內(nèi)容受到關(guān)注，而并非只有熱門內(nèi)容，只有克服馬太效應(yīng)，這樣才能夠讓發(fā)帖用戶感受到更多的關(guān)注度，鼓勵(lì)激發(fā)更多的優(yōu)質(zhì)內(nèi)容。

加入一個(gè)因子懲罰熱門權(quán)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：用戶在好價(jià)內(nèi)搜索“軟毛牙刷”，那好文系統(tǒng)應(yīng)該推送的是“牙刷測(cè)評(píng)”還是關(guān)聯(lián)”口腔健康“商品的文章呢?

宏觀來(lái)看，所有品類的商品都存在產(chǎn)品鏈上下層的關(guān)系。買了iphone X的人可能對(duì)于手機(jī)殼感興趣，想買普通牙刷的人可能就是漱口水、電動(dòng)牙刷的潛在消費(fèi)者。沒(méi)有一項(xiàng)產(chǎn)品是單獨(dú)存在的，既然我們要做的是提高用戶消費(fèi)觀念，那推薦系統(tǒng)是不是該偏向推送更深層次的內(nèi)容，加大權(quán)重。

6、買過(guò)的產(chǎn)品還要推送嗎?

當(dāng)我們已知用戶購(gòu)買過(guò)產(chǎn)品后，我們是否應(yīng)該再次推送相關(guān)內(nèi)容呢? 這個(gè)時(shí)候我們需要判斷商品的消耗性、周期性、以及是否高話題性。這都關(guān)乎著是否再次推送內(nèi)容，什么時(shí)候再推送內(nèi)容。但是具體情況太多，就不做算法推導(dǎo)了。

說(shuō)一個(gè)很有趣的現(xiàn)象，淘寶的推薦系統(tǒng)工程師做過(guò)實(shí)驗(yàn)，點(diǎn)擊率最高的推薦項(xiàng)目是用戶剛剛搜過(guò)，剛剛完成購(gòu)買的商品。但是重復(fù)推送內(nèi)容，這是一個(gè)好的推薦系統(tǒng)該做的嗎?團(tuán)隊(duì)目的到底是什么：推薦系統(tǒng)點(diǎn)擊率高?提供用戶感興趣的內(nèi)容?KpI ?不同目的可能導(dǎo)致結(jié)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(tǒng)在分鐘級(jí)/秒級(jí)完成數(shù)據(jù)分析，作出預(yù)判，并且對(duì)其作出操作。這個(gè)問(wèn)題主要面對(duì)的是技術(shù)性問(wèn)題，因?yàn)樵S多網(wǎng)站的推薦系統(tǒng)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(tǒng)算法，例如 對(duì)于User-Item行為矩陣進(jìn)行擴(kuò)充動(dòng)作簡(jiǎn)化預(yù)測(cè)過(guò)程。

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

后記

其實(shí)基于值得買推薦系統(tǒng)，XgBoost 與Factorization Machine (最新的FFM)都可能有不錯(cuò)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(nèi)容，而且業(yè)界大多數(shù)都認(rèn)可一個(gè)觀點(diǎn)，即在推薦系統(tǒng)中：UI > 數(shù)據(jù) > 算法，如果讓用戶接納，并覺(jué)得懂得其心，這才是最關(guān)鍵的一點(diǎn)。

pS：寫文章時(shí)正逢年節(jié)，喝酒誤事，思路斷斷續(xù)續(xù)。前后內(nèi)容繁雜，一人之力遠(yuǎn)無(wú)法考慮周全，只做簡(jiǎn)單思考，學(xué)習(xí)總結(jié)之用。

始發(fā)于簡(jiǎn)書：周CC君