江苏龙网

  1. 首页 > 资讯 > 科技 > >

「」如何解决热门推荐的3大难题？( 三 )


「」如何解决热门推荐的3大难题？
文章图片

文章图片

图-热门与其他武器的关联性
社交关系：基于社交关系的推荐是给用户赋予其社会属性 ， 若某用户是另一用户的闺蜜或家庭成员 ， 针对某用户的推荐会考虑另一用户的行为数据 。看到这里大家不禁疑惑？是不是和基于用户的协同过滤有异曲同工之妙呢？答案确实如此 ， 只不过基于社交关系的用户关系属于强关联 ， 而基于用户的协同过滤中得到的相似用户属于弱关联 。因此 ， 社交关系比基于用户协同更直接 。
物品画像：物品画像在解决长尾现象以及物品冷启动问题中不可或缺 。通过文本处理、内容关联、模型等方式计算两两物品之间的相关性 ， 通过热门巧妙带动冷门物品/冷启动物品 ， 缓解长尾以及物品冷启动问题 。
热门数据：热门数据必不可少 ， 热门赋予了推荐星球的共性 。热门与推荐星球相结合 ， 具备了热门的时效性、统一性 ， 又具备了推荐的个性化 ， 同时缓解了物品冷启动、长尾效应、新用户冷启动等问题 ， 提高推荐精准 ， 推动了推荐星球的发展 。
推荐案例
在不同的场景下 ， 选择其中几种武器进行合理组装 ， 最大化的推荐出符合用户兴趣偏好的物品 。接下来我们通过案例中详细阐述在具体的场景下 ， 当面临实际问题时 ， 我们该如何选择武器并使用该武器 。
1. 资讯推荐行业
众所周知 ， 资讯行业中最考究的是时效性 。我们选择综合热点、高时效性召回、物品画像、用户画像、排序策略（时间倒排）、后处理策略（时效性限制）这几种方式 。
Step1：根据用户画像、高时效性、物品画像 ， 分别召回符合用户兴趣偏好的高时效性物品、符合用户历史行为的相关物品；为保证推荐的多样性 ， 选择综合热点召回当下热点
Step2：对上述召回结果进行后处理—如不符合时效的item进行过滤处理
Step3：对处理后的召回结果按照某种方式（如时间倒排）排序 ， 生成推荐结果 。
2. 电商推荐行业
电商推荐的时效性不是很强 ， 但其在物品的使用周期需要进行特殊处理 。在电商推荐中常常遇到的且令人头大的是：若用户短期内购买了洗发水 ， 若和其他场景逻辑相似 ， 推荐系统向该用户推荐不同品牌同功效的洗发水 ， 但是这种推荐令绝大部分客户感到反感 。
我们选择高关注量物品召回、关联规则训练出的物品相关、用户画像、后处理（同物品限制）、排序策略这几种武器 。具体使用说明如下：
Step1：根据用户有行为的物品和关联规则得到的物品相关召回相关武物品；根据用户画像和高关注量物品召回召回符合用户兴趣偏好的物品
Step2：对上述召回结果进行后处理（同细分类目下一定周期限制） ， 也许类目无法做到如此精确的细分处理 ， 那可以通过文本分析 ， 过滤产品相似性过大的物品
Step3：对处理后的召回结果按照某种召回方式（购买率、关注度等复杂排序） ， 从而生成推荐结果 。
3. 总结
在竞争日益激烈的互联网时代 ， 谁更能抓住用户的兴趣 ， 推荐出符合用户兴趣的物品 ， 谁更容易赢得市场 。仅仅只依赖热门 ， 将无法满足用户个性化需求；若仅仅依赖个性化（不考虑热门） ， 又可能面临与时代脱节的风险 。
因此 ， 只有将热门巧妙的融入到推荐星球中 ， 结合用户画像、物品画像等方法召回推荐侯选集；通过后处理方式对侯选集进行过滤处理；通过模型、评估指标等生成有序物品结合 ， 即个性化与共性共存、时效性与场景特殊性共存的推荐结果 。
本文由 @达观数据 原创发布于人人都是产品经理 。未经许可 ， 禁止转载
题图来自Unsplash ， 基于CC0协议


推荐阅读


上一篇：##为什么我们急需IPFS来拯救互联网？

下一篇：##卢伟冰正式宣布，小米CC9 Pro即将退市，国内再无小米4G中端机