逛-导购商品推荐的探索.ppt

导购商品推荐的探索 关于逛 电商导购/分享平台 发现 导航（类目，标签，品牌，主题等） 搜索 推荐 喜欢 收藏、评论、打分、购买、UGC（分享商品及购物体验） 导购的预期 买家=卖家 快速匹配 用户信任感 浏览（逛）的体验 社区（圈子） 购物的体验 导购的预期 PV/UV（用户数） 回访率（用户群） 跳出率 转换率（每笔订单的平均pv） 商品推荐需要解决的问题 商品更新 商品质量 商品与买家的匹配度 商品推荐 商品导航 自然排名 马太效应 冷启动问题（新商品排名预测） 个性化推荐 防spam攻击 商品导航 类目 标签 品牌 主题 其他维度 商品的自然排名 按商品发布的时间排序 新商品在前 满足内容更新的需求，但质量得不到保障 按商品综合得分排序 基础的推荐规则 根据商品属性、用户行为给商品打分 商品属性：发布时间，类目，标签，品牌等等 用户行为：点击，喜欢，评论，打分，购买 商品的综合得分 计算商品得分 商品属性加权 用户行为数值正规化（normalization） 通过公式计算得分 马太效应 有者愈有，强者愈强 热门商品会越热门，新商品难被发现 解决办法 补偿，对不利位置的商品进行补偿，或者削弱有利位置的商品因位置的得利 随机，避免单一的得分标准 马太效应 逛目前的做法 直接降权，属于补偿机制的一种 对排名位置靠前的商品定期降权，如对前两页的商品每隔几个小时降权至原来的30% 位置靠后的商品有机会晋升 简单，易实现 商品都是经过小编审核，晋升商品的质量有一定保障 新商品的得分预测（补偿） 解决商品更新的问题 分页内随机排序 同一页内的商品排序不受得分的限制 冷启动问题 新商品的排名预测 新商品，如发布一天内的商品，缺乏足够的原始数据计算得分 通过机器学习来预测得分 通过计算新商品与老商品的相似度，预测新商品可能的得分值 预测结果的时效性 因为是预测，得分有时效性 预测得分生效一天后需按照实际得分排序 冷启动问题 机器学习的数据准备 类目 标签 品牌 商品标题、描述的分词 冷启动问题 对商品聚类 去除停止词 无效词的向量维度对聚类效果影响大 计算TFIDF向量 复用搜索模块的lucene索引文件创建 分类目进行聚类 根据不同类目的商品特征调整聚类参数 例如：对于商品数较少的类目适当调低聚类结果数目 冷启动问题 对商品聚类 选取聚类中心点 选取每个聚类中得分最高的商品 或者选取聚类的中值点 对聚类中的新商品进行得分预测 根据中心点相似度打分 根据rank打分 冷启动问题 逛目前的做法 选取聚类中得分最高的商品 按照它的得分以及新商品与它的距离对新商品排序 预测新商品得分 指定为某rank位置的得分 个性化推荐 数据积累，收集以下信息 用户行为，点击、收藏、购买等 用户关系 SNS好友 站内好友 达人（通过审核的活跃用户，有引导一般用户的作用） 构建用户兴趣模型 基于关键字 如用户及好友收藏的商品，感兴趣的标签、品牌等 基于语义 个性化推荐（一） Feeds流（好友逛） 根据用户数据生成 聚合好友的行为形成动态列表 优点 模式成熟、简单 效果也不错 缺点 不够精准 可控性不够 个性化推荐（二） 用户主动定制的信息聚合 类似rss feeds 定制标签、主题、品牌的商品更新 优点 简单 用户主动行为，推荐效果可以预期 缺点 需要用户主动定制 个性化推荐（三） 精准推荐 目前正在探索 思路 以用户个性化特征为核心，结合用户圈子构建兴趣模型 基于关键字的 简单易行 防spam攻击 Spam动机 利益 商家：利用推荐规则是自己的商品获利 活动：比如用户通过spam增加中奖的概率 竞争对手恶意攻击 Spam的影响 无效数据进入推荐系统，影响推荐的质量 防spam攻击 防spam思路 切断不合理利益通道 对用户参与活动的行为进行审核 对商家的行为进行管理 防止恶意攻击 quota limit (ip, user, rate) comment spam: 评论相似度 captcha 其他方向的探索 基于语义的个性化推荐 基于语义的用户兴趣模型 站外个性化推荐 EDM，电子邮件营销 Comments?QA? THANKS! My email: liuc@ * * 得分100 90 80 70 60 50 40 30 20 新商品 老商品top10 10 推荐到top 3 推荐到top 6 推荐到top 9 预测得分85 65 45