O2O情境下的个性化推荐实践思考.docVIP

　　O2O情境下的个性化推荐实践思考 关于如何从0到1构建推荐系统的内容因为已经有很多了，在这里不做赘述；本文的内容主要聚焦于O2O情境下推荐如何从1到N的优化实践。 2015年7月王兴提出互联网进入下半场，那O2O的下半场究竟是什么？通过1年多大公司的业务布局不难猜测，O2O行业下半场比拼的主要是两方面：一方面拼的是排号、点菜、买单等服务的一体化集成，另一方面拼的是通过社区化和个性化进行精准导购，提升用户粘性。 笔者曾先后在美团点评和蚂蚁从事个性化推荐的相关工作，在这里讲一讲在推荐推荐优化过程中踩过的坑以及一些业务方面思考。 1 关联性推荐优于因果性推荐 指标含义 先解释一下两个指标的含义： 关联性推荐 是指用户本身存在某个诉求，通过捕捉到该需求，并向用户推荐相应的商户。关联性推荐进一步分为两类： 通过更便捷的路径来满足既存需求，比如识别到用户已经在某个商户，推荐系统将该商户置顶，并且显示可用优惠，缩短用户出大路径。 将用户打断的需求重新捡起来，例如用户近期搜索了“火锅”，但是并没有形成交易，那么推荐系统为用户推荐火锅的商户。 因果性推荐 是指用户本身没有明确需求，推荐让用户无中生有的产生新的需求。 在学术界有个争议就是“关联性推荐”到底算不算推荐，因为他满足的是既存需求，严格意义上并没有创新新的需求，我个人的答案是yes，我们逆向来推，如果不做关联性推荐，用户虽然有既存需求，但是很有可能会流失，或者体验上没有这么流畅。所以我觉得不需要纠结在这一点，我们只需要在意用户觉得推荐准不准，用的爽不爽。 关联性推荐实践 1）识别用户所在商户 如果用户连接了wifi，很容易识别到用户所在的商户，然后将该商户置顶，并且外露商户优惠等信息。在所有的推荐策略里，该策略覆盖面随谈小，但是转化率最高。 还有一种方式，就是在商户详情页增加一个功能，就叫“我想去”，用户点击这个按钮之后，一段时间内，这个商户就可以在首页直接推荐，缩短用户查看路径。 2）识别用户意向到店 通过多种行为方式的组合，可以猜测出用户想去的商户。设想如果你要约一个朋友去吃饭，你会怎么筛选商户呢，一般路径都是先搜索看到感兴趣的商户，然后点进去看详情，包括查看地理位置、推荐菜，如果你点击了商户、收藏了商户，或者将这家商户分享到微信，那么你要去这间店的概率就更高了，最后再结合你的地理位置变化，就有极高的概率猜测出你要去哪一家店。 3）用户的实时行为 在这里讲述两个概念，用户的长期偏好和实时偏好，我们常说的用户画像一般都是指用户的长期偏好，例如笔者的长期偏好是日料，但是可能因为最近喜欢一个妹子，但是妹子喜欢火锅，所以我的短期偏好就是火锅。而且通过实践证明，用户的偏好是会随时间衰变的，实时偏好的数据更能表征用户当下的需求，推荐效果也更精准。 实时偏好一般可以通过用户的搜索、导航筛选或者用户浏览来推断，倘若用户没有形成交易闭环，比如购买团购、买单、排号等行为，我们可以假设他的需求没有被满足，可能是没找到合适的店，也可能是需求被别的事情打断了，这个时候我们将用户实时偏好的商户推荐给用户转化率往往比较好。 因果性推荐实践 1）协同过滤算法 包含基于商户的协同过滤和基于用户的协同过滤，其实质就是中国人常说的“物以类聚、人以群分”，前者是根据你喜欢的商户，为你推荐类似的商户，后者是先找到与你口味相似的人，然后推荐他们喜欢的商户。有很多文章讲述二者的区别，这里不做展开赘述，唯一强调一点是，二者虽然推荐方式类似，但是推荐结果仅有50%左右是雷同的，因此在实践中不一定非要二选一，可以将两种策略结合使用，效果更好。 2）用户长期偏好 这里的用户偏好是指用户的长期偏好，非实时偏好，识别出用户的长期偏好后，为期推荐相应的商户。 从实践结果来看，关联性推荐gt;因果性推荐gt;补余推荐(附近热门、全程热门)，而且关联性推荐更容易让用户产生一种“推荐很准”的印象，因此建议构建推荐系统的时候，可以重点考虑关联性推荐。 2 所有的喜欢都是熟悉+意外 在我做推荐之初，一直有个疑惑，就是什么才是好的推荐，当时咨询了很多人，大家分成两派，一派觉得好的推荐，就是向我推荐优质的但是我没去过的商户；另外一派觉得好的推荐就是向我推荐我熟悉的店，因为大家平时去的店相对都是固定的，推荐给我陌生的店，我也没兴趣。 这两种意见都有自己的弊端，推新的内容，用户不理解，势必造成数据效果差，但是总是推用户熟悉的东西，会形成马太效应，越推越窄。 后来读到一篇文章，讲有一个音乐应用软件，最开始设计算法的时候，是只推荐用户没听过的音乐。但是在内部测试的时候，程序出现了一个bug，在给用户推荐新的音乐之外，还错误地推荐了一些用户已经听过的、甚至很熟悉的音乐。这样测试了一段时间，效果还不错。后来程序员发现了bug，立刻改正了，让程序只推荐新的音乐。结果