search
帶你了解,什麼是「猜你喜歡」

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 。

熱門推薦

本文由 一點資訊 提供 原文連結

一點資訊
寫了5860316篇文章,獲得23274次喜歡
留言回覆
回覆
精彩推薦