2
| 本文作者： 人人都是產(chǎn)品經(jīng)理 | 2016-07-17 20:57 |
雷鋒網(wǎng)按：本文作者謝德福（微信號(hào)：beancurd191），9年以上互聯(lián)網(wǎng)從業(yè)經(jīng)驗(yàn)，6年以上個(gè)性化推薦、大數(shù)據(jù)相關(guān)經(jīng)驗(yàn)。畢業(yè)進(jìn)入華為工作6年后，于2013年創(chuàng)業(yè)至今，專注于大數(shù)據(jù)技術(shù)在影視、文化、視頻、娛樂等領(lǐng)域的應(yīng)用。
前幾天傳言要被騰訊收購(gòu)的今日頭條很多人應(yīng)該不陌生，我也是今日頭條的忠實(shí)用戶，為什么我覺得今日頭條做得比其他新聞/資訊客戶端要好，正是因?yàn)樗宫F(xiàn)給我的內(nèi)容都是我想看的，隨著我在上面的行為越來越多，它展現(xiàn)給我的內(nèi)容越準(zhǔn)確，今日頭條使用的最核心的技術(shù)就是個(gè)性化推薦技術(shù)。
隨著移動(dòng)互聯(lián)網(wǎng)的興起，用戶的很多行為逐漸從PC端轉(zhuǎn)向移動(dòng)端。人們花在手機(jī)上的時(shí)間越來越多。人們隨時(shí)隨地都在使用手機(jī)，在你坐車的時(shí)候、上廁所的時(shí)候、吃飯的時(shí)候，甚至在你走路的時(shí)候都在用手機(jī)。相對(duì)于PC端，移動(dòng)端的特點(diǎn)是屏幕窄，用戶使用的時(shí)間呈現(xiàn)碎片化。同時(shí)隨著信息量越來越大，人們很難從大量的信息中快速找到自己想要的內(nèi)容。這個(gè)體驗(yàn)是非常差的，如果你是產(chǎn)品經(jīng)理，如果你面臨同樣的問題，希望接下來要講的內(nèi)容對(duì)你有所幫助。
如果你在亞馬遜上買過書，你可能會(huì)碰到這種情況，當(dāng)你選擇一本書放入購(gòu)物籃時(shí)，它會(huì)自動(dòng)給你推薦其它的書。比如：購(gòu)買過該書的人還買過XXXX，猜你可能還喜歡XXXX，組合推薦，購(gòu)買該書還有另外幾本書的組合可以享受一個(gè)優(yōu)惠的組合價(jià)格。這些使用的都是推薦系統(tǒng)，簡(jiǎn)單來說推薦系統(tǒng)就是研究用戶在平臺(tái)上的所有行為，對(duì)用戶進(jìn)行人物畫像，以及研究平臺(tái)上的內(nèi)容/產(chǎn)品。同時(shí)把用戶和產(chǎn)品匹配起來的過程。
推薦系統(tǒng)在各個(gè)領(lǐng)域有廣泛的應(yīng)用，比如電商網(wǎng)站、視頻網(wǎng)站、視頻直播平臺(tái)、新聞客戶端、文學(xué)網(wǎng)站、音樂網(wǎng)站等等。下圖是推薦系統(tǒng)在著名電商網(wǎng)站、視頻網(wǎng)站的一些應(yīng)用案例及應(yīng)用效果。
1、通過目錄或者搜索的方式查找想要的內(nèi)容，在移動(dòng)終端較小的屏幕上可能需要多次翻屏，查找感興趣的內(nèi)容的成本很高，用戶體驗(yàn)較差。
2、通過推薦系統(tǒng)展現(xiàn)給用戶的內(nèi)容，都是用戶感興趣的，而且每個(gè)用戶看到的都不一樣，亞馬遜的CEO貝佐斯說過，要讓1000個(gè)訪問亞馬遜的用戶看到1000個(gè)不同的亞馬遜。
3、目前用戶的選擇非常多，可選擇的多樣性及時(shí)間的碎片化，用戶打開手機(jī)，如沒能快速找到感興趣的內(nèi)容，很快就會(huì)離開。
4、個(gè)性化推薦技術(shù)通過算法進(jìn)行用戶感興趣的內(nèi)容的精準(zhǔn)推薦，幫助用戶快捷發(fā)現(xiàn)感興趣的內(nèi)容，當(dāng)你看完一個(gè)內(nèi)容后，會(huì)立馬給你推薦相關(guān)的東西，可以增加用戶粘性。
5、幫助用戶發(fā)現(xiàn)更多優(yōu)質(zhì)的長(zhǎng)尾內(nèi)容，一般平臺(tái)用戶訪問的只局限在熱門的10%左右的內(nèi)容，很多內(nèi)容永遠(yuǎn)沉在數(shù)據(jù)庫(kù)中沒有人發(fā)現(xiàn)。
6、幫助平衡平臺(tái)的生態(tài)，避免馬太效應(yīng)，熱門的內(nèi)容總是得到更多的爆光，冷門的內(nèi)容從沒機(jī)會(huì)被關(guān)注，使內(nèi)容生產(chǎn)生態(tài)兩極分化。
下面以我之前做過的一個(gè)產(chǎn)品為例來講解，在架構(gòu)上，可能每家在做的時(shí)候會(huì)有些不同，但用到的一些核心算法，大家應(yīng)該是差不多的。具體怎么實(shí)現(xiàn)，產(chǎn)品經(jīng)理不需要關(guān)注這么細(xì)，只需要大概了解其中的原理就可以了。
推薦系統(tǒng)中常用到的算法包括用戶偏好算法、協(xié)同過濾算法（item_base，user_base）、關(guān)聯(lián)規(guī)則算法、聚類算法、內(nèi)容相似性算法（content_base）以及一些其它的補(bǔ)充算法。最終分析出來的結(jié)果是以下幾種：
1、根據(jù)用戶偏好算法算出來用戶感興趣的內(nèi)容/產(chǎn)品，然后推薦給用戶。
2、根據(jù)關(guān)聯(lián)規(guī)則算法，算出物品間的支持度和置信度。最常見的應(yīng)用是組合購(gòu)買，啤酒和尿不濕是非常經(jīng)典的例子了。
3、item_base是根據(jù)集體用戶行為算出物品間的相似度，然后把與用戶看過的或者購(gòu)買過的最相似的物品推薦給該用戶。
4、聚類算法可以根據(jù)用戶進(jìn)行聚類，也可以對(duì)產(chǎn)品進(jìn)行聚類。聚類后可以針對(duì)大類進(jìn)行推薦，或者繼續(xù)計(jì)算用戶類和產(chǎn)品類之間的關(guān)系。
5、content_base是根據(jù)物品本身的屬性進(jìn)行關(guān)聯(lián)性運(yùn)算，計(jì)算出物品間的相似性，最常見的應(yīng)用是同類推薦。
6、user_base是根據(jù)集體行為計(jì)算用戶之間的相似度，比如A跟B計(jì)算出來非常相似，則可以把B喜歡的內(nèi)容，但A還沒有看過，推薦給A。
由于移動(dòng)端屏幕較小，一屏展現(xiàn)的內(nèi)容較少，用戶要找到自己感興趣的內(nèi)容需要一屏一屏往下翻，在這個(gè)地方展現(xiàn)個(gè)性化推薦的內(nèi)容，可以快速抓住用戶的眼球。
個(gè)性化推薦系統(tǒng)是一個(gè)非常復(fù)雜的系統(tǒng)，其中不光涉及數(shù)據(jù)處理算法和系統(tǒng)架構(gòu)的靈活性問題，還涉及系統(tǒng)魯棒性，數(shù)據(jù)稀疏性問題、冷啟動(dòng)問題、系統(tǒng)的精準(zhǔn)性和多樣性問題。
1、垃圾數(shù)據(jù)處理：對(duì)于系統(tǒng)產(chǎn)生的異常數(shù)據(jù)、垃圾數(shù)據(jù)需要業(yè)務(wù)特點(diǎn)制定一套清洗規(guī)則。
2、冷啟動(dòng)問題：由于新用戶訪問時(shí)沒有數(shù)據(jù)沉淀，因此很難根據(jù)用戶行為進(jìn)行推薦，目前比較普遍的方法是新用戶首次登錄時(shí)提供興趣標(biāo)簽引導(dǎo)頁(yè)面，引導(dǎo)用戶進(jìn)行設(shè)置，同時(shí)結(jié)合其它推薦算法。另外一種比較理想的方法是使用用戶在其它平臺(tái)的社交數(shù)據(jù)。
3、數(shù)據(jù)稀疏性問題：可以使用聚類算法進(jìn)行升維后運(yùn)算，并結(jié)合其它算法進(jìn)行組合推薦。
4、推薦結(jié)果精準(zhǔn)性和多樣性：通過多種算法進(jìn)行組合推薦。確保推薦結(jié)果集的精準(zhǔn)性和多樣性。
以上是關(guān)于個(gè)性化推薦系統(tǒng)的一個(gè)基本知識(shí)，希望對(duì)大家有所幫助。
本文由人人都是產(chǎn)品經(jīng)理授權(quán)雷鋒網(wǎng)發(fā)布。未經(jīng)許可，禁止轉(zhuǎn)載！
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
