91久久国产婷婷一区二区丨亚洲综合无码一区二区三区不卡丨超caopor在线公开视频丨国产精品乱码久久久久久久久丨日韩a片无码一区二区三区电影丨www.亚洲com丨动漫精品无码视频一区二区三区丨一道本视频在线观看丨五月天三级丨国户精品久久久久久久久久久不卡丨男女作爱bbbbbbbbb丨亚洲综合色成在线观看丨国产美女久久精品香蕉69丨黑人大群体交免费视频丨成人无码视频在线观看网址丨久久久1丨我想看一级黄色毛片丨精品一区久久丨www黄色网址丨911久久香蕉国产线看观看

A5創(chuàng)業(yè)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(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，鼓勵用戶不斷產(chǎn)生內(nèi)容;

在這三方參與者之間，其實普通用戶才是關(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。

可是事實真的是這樣嗎? 提出幾個場景：

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”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)”，因為這可能造成兩項誤區(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，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)理同時加入到推薦系統(tǒng)團(tuán)隊

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，我們就單從好價瀏覽內(nèi)容時用戶數(shù)據(jù)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(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)實場景確實是這樣嗎?

簡單提幾個問題： 1、什么樣的數(shù)據(jù)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(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?

對剛才的問題一個個來討論：(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(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、點擊行為都是正樣本嗎?

所有的不點擊動作都可以看作負(fù)樣本，但是對于點擊動作也應(yīng)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(fā)生在“值/不值”上，但是這個行為是一個很復(fù)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(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，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結(jié)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(jīng)購買過這個商品了?我們應(yīng)該更偏向?qū)τ谔釂栒咄扑拖嚓P(guān)內(nèi)容，因為他們是更潛在的購買者， 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))，如果存在這個數(shù)據(jù)庫的話，這完全能夠用戶是否購買過這個產(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。我個人建議以CF item based為主，一是因為算法成熟，便于實現(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，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)而思考計算相似度時， 除了在本身item標(biāo)簽內(nèi)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(jìn)入系統(tǒng)時，沒有數(shù)據(jù)來源導(dǎo)致冷啟動問題，大多數(shù)網(wǎng)站采取主動選擇標(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，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，如果在較長時間跨度里推薦系統(tǒng)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(shù)時，必要考慮一個因子來控制多樣性問題，如果當(dāng)系統(tǒng)想推薦文章i時，我們就要對已經(jīng)在文章列表R(u)內(nèi)任意文章 j ，計算相似度,引入

如果系統(tǒng)的推薦分布頻次，可以和用戶點擊頻次掛鉤，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，鼓勵激發(fā)更多的優(yōu)質(zhì)內(nèi)容。

加入一個因子懲罰熱門權(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、電動牙刷的潛在消費者。沒有一項產(chǎn)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(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(guān)乎著是否再次推送內(nèi)容，什么時候再推送內(nèi)容。但是具體情況太多，就不做算法推導(dǎo)了。

說一個很有趣的現(xiàn)象，淘寶的推薦系統(tǒng)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(fù)推送內(nèi)容，這是一個好的推薦系統(tǒng)該做的嗎?團(tuán)隊目的到底是什么：推薦系統(tǒng)點擊率高?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、實時性

實時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。這個問題主要面對的是技術(shù)性問題，因為許多網(wǎng)站的推薦系統(tǒng)都是以天為單位進(jìn)行日志讀取操作，再完成推薦動作。而如果要完成實時操作，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

其實基于值得買推薦系統(tǒng)，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(fā)點，不討論算法具體內(nèi)容，而且業(yè)界大多數(shù)都認(rèn)可一個觀點，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。

pS：寫文章時正逢年節(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