帶你了解，什麼是「猜你喜歡」

隨著移動互聯網的興起，用戶的很多行為逐漸從PC端轉向移動端。相對於PC端，移動端的特點是屏幕窄，用戶使用的時間呈現碎片化。同時隨著信息量越來越大，人們很難從大量的信息中快速找到自己想要的內容。這個體驗是非常差的，如果你是產品經理，如果你面臨同樣的問題，希望接下來要講的內容對你有所幫助。

「推薦引擎」是什麼？它的應用範圍？

如果你在亞馬遜上買過書，你可能會碰到這種情況，當你選擇一本書放入購物籃時，它會自動給你推薦其它的書。比如：購買過該書的人還買過XXXX，猜你可能還喜歡XXXX，組合推薦，購買該書還有另外幾本書的組合可以享受一個優惠的組合價格。這些使用的都是推薦系統，簡單來說推薦系統就是研究用戶在平台上的所有行為，對用戶進行人物畫像，以及研究平台上的內容/產品。同時把用戶和產品匹配起來的過程。

推薦系統在各個領域有廣泛的應用，比如電商網站、視頻網站、視頻直播平台、新聞客戶端、文學網站、音樂網站等等。

為什麼推薦系統能夠在各個領域得到廣泛應用？

1、通過目錄或者搜索的方式查找想要的內容，在移動終端較小的屏幕上可能需要多次翻屏，查找感興趣的內容的成本很高，用戶體驗較差。

2、通過推薦系統展現給用戶的內容，都是用戶感興趣的，而且每個用戶看到的都不一樣，亞馬遜的CEO貝佐斯說過，要讓1000個訪問亞馬遜的用戶看到1000個不同的亞馬遜。

3、目前用戶的選擇非常多，個性化推薦技術通過演算法進行用戶感興趣的內容的精準推薦，幫助用戶快捷發現感興趣的內容，當你看完一個內容后，會立馬給你推薦相關的東西，可以增加用戶粘性。

4、幫助平衡平台的生態，避免馬太效應，熱門的內容總是得到更多的爆光，冷門的內容從沒機會被關注，使內容生產生態兩極分化。

推薦系統的架構和核心演算法

推薦系統中常用到的演算法包括用戶偏好演算法、協同過濾演算法（item_base，user_base）、關聯規則演算法、聚類演算法、內容相似性演算法（content_base）以及一些其它的補充演算法。最終分析出來的結果是以下幾種：

1、根據用戶偏好演算法算出來用戶感興趣的內容/產品，然後推薦給用戶。

2、根據關聯規則演算法，算出物品間的支持度和置信度。最常見的應用是組合購買，啤酒和尿不濕是非常經典的例子了。

3、item_base是根據集體用戶行為算出物品間的相似度，然後把與用戶看過的或者購買過的最相似的物品推薦給該用戶。

4、聚類演算法可以根據用戶進行聚類，也可以對產品進行聚類。聚類后可以針對大類進行推薦，或者繼續計算用戶類和產品類之間的關係。

5、content_base是根據物品本身的屬性進行關聯性運算，計算出物品間的相似性，最常見的應用是同類推薦。

6、user_base是根據集體行為計算用戶之間的相似度，比如A跟B計算出來非常相似，則可以把B喜歡的內容，但A還沒有看過，推薦給A。

常用的應用場景

·首頁猜你喜歡推薦

·在發現欄目給用戶推薦感興趣的內容，可以讓用戶獲得驚喜

·內容詳情頁的關聯推薦/相關推薦：在內容詳情頁可以給用戶推薦與當前內容相似的內容

·閱讀結束/視頻播放結束/直播結束推薦：推薦與當前內容類似的內容

·搜索頁面推薦：當搜索無結果時，可以給用戶推薦其感興趣的內容

個性化推薦系統應用中的幾個關鍵問題

個性化推薦系統是一個非常複雜的系統，其中不光涉及數據處理演算法和系統架構的靈活性問題，還涉及系統魯棒性，數據稀疏性問題、冷啟動問題、系統的精準性和多樣性問題。

1、垃圾數據處理：對於系統產生的異常數據、垃圾數據需要業務特點制定一套清洗規則。

2、冷啟動問題：由於新用戶訪問時沒有數據沉澱，因此很難根據用戶行為進行推薦，目前比較普遍的方法是新用戶首次登錄時提供興趣標籤引導頁面，引導用戶進行設置，同時結合其它推薦演算法。另外一種比較理想的方法是使用用戶在其它平台的社交數據。

3、數據稀疏性問題：可以使用聚類演算法進行升維后運算，並結合其它演算法進行組合推薦。

4、推薦結果精準性和多樣性：通過多種演算法進行組合推薦。確保推薦結果集的精準性和多樣性。

以上是關於個性化推薦系統的一個基本知識，希望對大家有所幫助。

文章轉自網路

本文來自熱線傳媒微信公眾號，搜索「熱線傳媒 AdBid」或者 「rexianchuanmei」加關注了解更多信息 。