江苏龙网

  1. 首页 > 人文 > >

「」产品汪如何向女票解释——淘宝push的个性化推荐( 二 )


二、商品画像和用户画像
这就是一个推荐的过程 ， 我画的非常简单 ， 其实真实的比这个复杂 。
「」产品汪如何向女票解释——淘宝push的个性化推荐
本文插图
我们想把你可能喜欢的商品推荐给你 ， 就要了解你和商品 ， 所以我们要创建商品画像和用户画像 。 我们先来说说商品画像 ， 商品画像如下 ， 主要由sku分类和属性特征构成 ， 须对这些特征建立倒排索引 。
对于商品画像 ， 商品上下架、库存、价格、评论数等应采取增量更新 ， 商品标题、分类、属性、主图、销量、评论等应采取全量更新 。
「」产品汪如何向女票解释——淘宝push的个性化推荐
本文插图
我们再来看看用户画像 ， 用户画像就是通过了解你的一些信息 ， 来定义出你这个用户是什么样子的 。 大概包括以下几个方面 。
用户画像如下：
「」产品汪如何向女票解释——淘宝push的个性化推荐
本文插图
用户分群：
①在用户画像上 ， 可以分为基本画像和模型画像 。 基本画像指的是可以直接获得的用户数据 ， 模型画像指的是通过模型学习用户数据得出的模型 ， 如用户流失级别 ， 用户挑剔度等 。
②用户的基本信息属于长期画像 ， 在长时间内是不会改变的 。 如用户的性别 ， 年龄 ， 星座等 。 对于基本信息不完整的用户 ， 可以对信息完整的用户进行训练 ， 得出不同用户群体的特点 。
比如通过分析用户的applist ， 得出安装哪些app的用户是女性的概率是多少 ， 男性的概率是多少 ， 这样可以对性别缺失的用户进行模型扩散 ， 补上缺失项 。
③用户的兴趣爱好可分为长期兴趣和短期兴趣 ， 长期兴趣可通过分析用户历史数据进行积累 。 比如用户在过去半年经常性的买零食坚果 ， 每次购买在长期兴趣上都会进行一个权重累计 。
有一天因为用户受热点事件影响 ， 开始在短期内买零食果脯 ， 则模型应在短期内提高此兴趣点的权重 ， 以便不受长期兴趣的影响而无法提高 。
④对于行为特征 ， 消费信息等数据 ， 可设计用户对比度 ， 比如设置用户对比3家同类商品才购买1个为三级 ， 用户对比5家以上相同商品才购买1个是一级 。
也可以根据用户点开app频次设计用户流失模型 ， 比如用户1天为打开是流失F级 ， 3天未打开是流失E级 ， 7天未打开是流失C级 ， 一个月未打开是流失A级 。
三、推荐策略和算法
我们建立了商品和用户的画像 ， 就要来分析你喜欢什么样的商品 ， 商品如何和你匹配上 ， 这就涉及到了策略和算法 。
（1）常用算法
①基于统计学的过滤 ， 如基本信息中的性别 ， 年龄 ， 地域等 。
②基于用户的协同过滤 。
③基于商品的协同过滤 。
④决策树模型等 。
（2）推荐策略
①applist：通过读取用户app列表 ， 用app和商品分类进行匹配 ， 了解用户的兴趣点 ， 此策略针对于新用户的兴趣获取 ， 以及老用户的新兴趣挖掘 。
②本地化：实时获取用户地理位置 ， 与用户本地天气 ， 城市层级 ， 生活圈 ， 本地热点等结合进行push推送 。 此策略为的是提升用户感知 ， 增加推送好感 。
③通勤场景：在通勤中 ， 用户如属于移动网络状态 ， push和落地页应减少插图或者多图的比例 。 此策略为的是考虑用户感受 ， 增加用户好感 。
④兴趣试探：对于新用户来说因兴趣爱好信息积累较少 ， 在push推荐时可选取热度高 ， 点击率高 ， 表现好的push进行推送 ， 这样即使用户兴趣不增加 ， 也保证了用户不产生厌恶 。
⑤负反馈策略：对于用户看到不点击 ， 以及点击即退出的push ， 应该有负反馈机制 ， 降低此类push在此用户面前出现的频率或者不再出现 。


推荐阅读


上一篇：【环球时报评论】在家远程办公？结果英国网崩了……

下一篇：「iPhone」苹果防窥屏黑科技！人脸识别＋眼动追踪，不是机主只能看到乱码