69精品人人人人,一本色道久久综合亚州精品蜜桃,成人亚洲性情网站WWW在线观看,久久国产乱子伦免费精品无码

A5創(chuàng)業(yè)項(xiàng)目春季招商 好項(xiàng)目招代理無憂

時(shí)逢年假，把自己對部分場景以及推薦系統(tǒng)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(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。如果用戶在閱讀過程中，無法接收到有用、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“牙刷測評”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(fèi)升級，反而是相似度更小的衍生產(chǎn)品文章，會讓用戶感到新意，同時(shí)提高KOI

所以，對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)確識別預(yù)測用戶行為的同時(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，自己卻并沒有發(fā)現(xiàn)的內(nèi)容。

也就是說，好文推薦系統(tǒng)的場景是極為重要的，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)來源

以上全部數(shù)據(jù)都會是判斷用戶行為的來源。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

最簡單的思路是：按照行為漏斗的深度對樣本行為設(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)場景確實(shí)是這樣嗎?

簡單提幾個(gè)問題： 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(gè)問題的基礎(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?

對剛才的問題一個(gè)個(gè)來討論：(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，但是收藏對于推薦系統(tǒng)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(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內(nèi)中為數(shù)不多的評分反饋，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)比言語更能反應(yīng)用戶的內(nèi)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(shù)據(jù)分析過評論區(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?提問者?回答者?他是不是已經(jīng)購買過這個(gè)商品了?我們應(yīng)該更偏向?qū)τ谔釂栒咄扑拖嚓P(guān)內(nèi)容，因?yàn)樗麄兪歉鼭撛诘馁徺I者， 對于專家用戶，可能他已經(jīng)對類似內(nèi)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(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)庫的話，這完全能夠用戶是否購買過這個(gè)產(chǎn)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(gè)產(chǎn)品了。

三、推薦場景思考

當(dāng)理解用戶行為之后，開始推薦系統(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景?什么特殊因子?

1、冷啟動(dòng)場景：

通常在新用戶進(jìn)入系統(tǒng)時(shí)，沒有數(shù)據(jù)來源導(dǎo)致冷啟動(dòng)問題，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”，不同用戶的首頁流推薦

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

根據(jù)評分 R 的不同，來確定首頁流的推薦數(shù)目。

3、多次重復(fù)推送同一品類文章：多樣性問題

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

那也就是說，我們在推薦系數(shù)時(shí)，必要考慮一個(gè)因子來控制多樣性問題，如果當(dāng)系統(tǒng)想推薦文章i時(shí)，我們就要對已經(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)容依然無人問津：馬太效應(yīng)

馬太效應(yīng)在UGC平臺是常見的，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題。覆蓋率可以描述一個(gè)推薦系統(tǒng)對于文章推薦效果長尾能力的發(fā)掘,指推薦文章占全部內(nèi)容的占比，可以用信息熵度量。

作為整個(gè)UGC平臺的管理方，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

回想在本文開篇處提出的問題：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“牙刷測評”還是關(guān)聯(lián)”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(chǎn)品鏈上下層的關(guān)系。買了iphone X的人可能對于手機(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、買過的產(chǎn)品還要推送嗎?

當(dāng)我們已知用戶購買過產(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。

說一個(gè)很有趣的現(xiàn)象，淘寶的推薦系統(tǒng)工程師做過實(shí)驗(yàn)，點(diǎn)擊率最高的推薦項(xiàng)目是用戶剛剛搜過，剛剛完成購買的商品。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/秒級完成數(shù)據(jù)分析，作出預(yù)判，并且對其作出操作。這個(gè)問題主要面對的是技術(shù)性問題，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，就只能簡化推薦系統(tǒng)算法，例如 對于User-Item行為矩陣進(jìn)行擴(kuò)充動(dòng)作簡化預(yù)測過程。

需要根據(jù)場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)無法考慮周全，只做簡單思考，學(xué)習(xí)總結(jié)之用。

始發(fā)于簡書：周CC君