- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
个性化推荐技术|产品经理和产品运营的必修课
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
文档评论(0)