培乐园推荐产品设计.pdfVIP

推荐引擎设计 吴凯 2012年8月25日 搜索.vs. 推荐 搜索： 精准匹配 .VS. 推荐： 猜你喜欢 基本思路 • 本质上 – 推荐= 意图猜测匹配+ 用户引导 – 意图猜测= 场景理解+ 算法分析 示例1：电商首页 精准定向 小类排行榜 大类排行榜 示例2：购物搜索单品页 同类比较 示例3：电商单品页 搭配销售 算法分析 • 单品页面 – 针对item的推荐 • 相似匹配 • 关联搭配 • 首页 – 针对人的推荐 • 行为建模 – 把人映射为多个“虚拟”item • 然后类似针对item的推荐 针对item的推荐 • 相似匹配 – 方法1：基于用户行为 • 关联规则挖掘 – “看了A 的人有xx%还看了B” • 关键指标 – 支持度，Support(A,B) = P(A,B) – 置信度，Confidence(A,B) = P(B|A) – 提高度，Lift(A,B) = P(B|A) / P(B) 针对item的推荐 • 相似匹配 – 方法1：基于用户行为 • 方法简单，在线计算复杂度低 • 但是 – 需要行为数目远大于item数目 » 很多时候这个不容易满足 – 数据稀疏问题不易解决 针对item的推荐 • 相似匹配 – 方法2：基于关键词 • “收腰纯色连衣裙火爆热卖，7折跳楼价！” – “连衣裙”、“收腰”、“纯色” • 先分词，再给每个词打分 • 选择分数最高的一批词 针对item的推荐 • 相似匹配 – 方法2：基于关键词 • 如何打分？ – 规则 – IDF(word) = log(N / N(word)) » IDF越高，word越重要 » 区分度可能不佳 – 和行为结合 » 先看了“收腰纯色连衣裙火爆热卖，7折跳楼价！” » 又看了“黑色收腰时尚连衣裙” » “收腰”要加分 针对item的推荐 • 相似匹配 – 方法2：基于关键词 • 如何确定词数 – 极端A ：所有的词都是关键词 » 召回极低