个性化推荐技术｜产品经理和产品运营的必修课.pdf

个性化推荐技术 ｜产品经理和产品运营的必修课 最近看到一条新闻 ，说是腾 准备花重金收购今日头条 ，而且势在必得的样子。今日头条很 多人应该不陌生 ，我也是今日头条的忠实用户 ，为什么我觉得今日头条做的比其他新闻/资 客户端要好 ，正是因为他展现给我的内容都是我想看的 ，随着我在上面的行为越来越多 ，它 展现给我的内容越准确 ，今日头条使用的最核心的技术就是个性化推荐技术。 随着移动互联网的兴起 ，用户的很多行为逐渐从PC端转向移动端。人们花在手机上的时间越来越多 。人们随时随地都在使用手机 ，在你坐车的时候 ，上厕所的时候 ，吃饭的时候 ，甚至在你走路的时 候都在用手机 ，相对于PC端 ，移动端的特点是屏幕窄 ，用户使用的时间呈现碎片化。同时随着信息 量越来越大 ，人们很难从大量的信息中快速找到自己想要的内容。这个体验是非常差的 ，如果你是 产品经理 ，如果你面临同样的问题 ，接下来要讲的内容希望对你有所帮助。 推荐引擎是什么 ？ 如果你在亚马逊上买过书 ，你可能会碰到这种情况 ，当你选择一本书放入购物篮时 ，它会自动给你 推荐其它的书。比如 ：购买过该书的人还买过XXXX ，猜你可能还喜欢XXXX ，组合推荐 ，购买该 书还有另外几本书的组合可以享受一个优惠的组合价格。这些使用的都是推荐系统 ，简单来说推荐 系统就是研究用户在平台上的所有行为 ，对用户进行人物画像 ，以及研究平台上的内容/产品。同时 把用户和产品匹配起来的过程。 推荐引擎的应用范围 ？ 推荐系统在各个领域有广泛的应用 ，比如电商网站、视频网站、视频直播平台、新闻客户端、文学 网站、音乐网站等等。下图是推荐系统在著名电商网站、视频网站的一些应用案例及应用效果。 为什么推荐系统能够在各个领域得到广泛的应用 ？ 1. 通过目录或者搜索的方式查找想要的内容 ，在移动终端较小的屏幕上可能需要多次翻屏 ，查找感 兴趣的内容的成本很高 ，用户体验较差。 2. 通过推荐系统展现给用户的内容 ，都是用户感兴趣的 ，而且每个用户看到的都不一样 ，亚马逊 的CEO贝佐斯说过 ，要让1000个访问亚马逊的用户看到1000个不同的亚马逊。 3. 目前用户的选择非常多 ，可选择的多样性及时间的碎片化 ，用户打开手机 ，如没能快速找到感兴 趣的内容 ，很快就会离开。 4 . 个性化推荐技术通过算法进行用户感兴趣的内容的精准推荐 ，帮助用户快捷发现感兴趣的内容 ， 当你看完一个内容后 ，会立马给你推荐相关的东西 ，可以增加用户粘性。 5. 帮助用户发现更多优质的长尾内容 ，一般平台用户访问的只局限在热门的10%左右的内容 ，很多 内容永远沉在数据库中没有人发现。 6. 帮助平衡平台的生态 ，避免马态效应 ，热门的内容总是得到更多的爆光 ，冷门的内容从没机会被 关注 ，使内容生产生态两极分化。 推荐系统的架构和核心的算法 下面以我之前做过的一个产品为例来讲解 ，在架构上 ，可能每家在做的时候会有些不同 ，但用到的 一些核心算法 ，大家应该是差不多的。具体怎么实现 ，产品经理不需要关注这么细 ，只需要大概了 解其中的原理就可以了。 推荐系统中常用到的算法包括用户偏好算法 ，协同过滤算法 （it em_base ，user_base ）、关联规则 算法、聚类算法、内容相似性算法 （co nt ent_base ）,以及一些其它的补充算法。最终分析出来的 结果是以下几种 1. 根据用户偏好算法算出来用户感兴趣的内容/产品。然后推荐给用户 2. 根据关联规则算法 ，算出物品间的支持度和置信度。最常见的应用是组合购买 ，啤酒和尿不湿是 非常经典的例子了。 3. it em_base是根据集体用户行为算出物品间的相似度 ，然后把与用户看过的物品或者购买过的物 品最相似的物品推荐给该用户。 4 . 聚类算法可以根据用户进行聚类 ，也可以对产品进行聚类。聚类后可以针对大类进行推荐 ，或者 继续计算用户类和产品类之间的关系。 5. co nt ent_base是根据物品本身的属性进行关联性运算 ，计算出物品间的相似性 ，最常见的应用是 同类推荐。 6. user_base是根据集体行为计算用户之间的相似度 ，比如A跟 计算出来非常相似 ，则可以把 喜 欢的内容 ，但A还没有看过 ，推荐给A 。 常用的应用场景 1、首页猜你喜欢推荐 由于移动端屏幕较小 ，一屏展现的内容较少 ，用户要找到自己感兴趣的内容需要一屏一屏往下翻 ， 在这个地方展现个性化推荐系统推荐的内容 ，可以快速抓住用户的眼球。 2、在发现栏目给用户推荐感兴趣的内容 ，可以让用户获得惊喜。 3、内容详