腾讯:仅24%用户认为个性化推荐系统“靠谱”

标签: 社交网络 个性化推荐 推荐系统 | 发表时间:2015-01-15 01:23 | 作者:翠花
出处:http://www.199it.com

盘点科技圈里的时髦词汇,必然少不了一个词:个性化推荐。

借助个性化推荐技术,互联网产品获取或积累用户的兴趣喜好数据后,可以直接为用户提供每个人感兴趣的内容,以此提升产品的内容吸引力。

想要在产品里添加个性化推荐功能已经不是一件难事,事情的难点在于推荐的内容是否准确。为了解目前用户对该类功能的反馈,企鹅智酷推出了一项调查,以下就是调查结果:

86%用户体验过个性化推荐,应用商店覆盖度最高

ninja142118988028232

参与调查的用户在反馈自己的使用体验时,仅有13.9%的用户表示完全没有体验过个性化推荐功能。剩余86.1%的用户都获得过根据自己的喜好或习惯形成的个性化内容。

回归到具体在哪些产品里体验过该功能,应用商店的占比最高,28.4%用户在应用商店里体验过个性化推荐。其次是音乐产品,用户比率为27.8%。排在第三位的是电商类产品,占比为22.4%。

广告是用户体验个性化推荐时占比最低的产品领域。这反映出用户可能很少发觉展现在自己眼前的广告具有个性化元素。

只有24%用户认为产品个性化推荐靠谱

ninja142118990652142

推荐的内容是否准确决定了这个功能的吸引力。从用户反馈来看,超过一半的用户认为,自己获得推荐只是少部分准确。当然,也有24%的用户表示大部分的产品个性化推荐准确,11.9%认为完全不准确。

相比于推荐技术,用户还是更相信自己

ninja142118992786682

既然来自于技术的推荐只是少部分准确,那么用户会更信赖谁呢?答案还是用户自己。30.2%的用户选择不相信推荐,只相信自己。

除了相信自己,群众的眼光可能也是雪亮的。25.9%用户认为多数用户的选择更加可靠。个性化推荐技术在信任程度上排在第三位。

一个让人意外的结果是,仅有15.8%的调查者选择相信专业人士的推荐。

超过一半的用户需要个性化推荐技术

ninja142118995420247

对于使用个性化推荐功能的产品而言,虽然不能提供让用户完全满意的推荐内容,可用户还是需要这样的功能。54.5%用户反馈称需要产品中添加个性化推荐,20.1%仍在犹豫中,剩余25.4%的用户则表示不需要。

由此可见,对于准确度还有待提升的推荐技术,用户保持了更开放的态度。

结论:如何猜透用户的心思和需求

能够基于用户数据提供个性化推荐,这是互联网产品可以提供的一项特色功能。可从目前用户的反馈来看,这种推荐很难达到用户所期待的准确度。不过,即便不够准确,用户需求依旧存在。

结合这样的反馈,产品在设置个性化推荐功能时,除了要不断完善推荐算法的精准度外,其实还有一些讨巧的方式,既防止让不准确的推荐吓跑用户,又不至于让用户面对海量内容时不知所措:

  • 仅将个性化推荐作为内容推荐的辅助手段。千万不要对自己的推荐过于充满信心,如果把算法推荐作为产品的核心逻辑,可能很容易遭致用户的质疑。
  • 先把选择权交给用户,因为用户更相信自己。你认为替用户做出选择是一种帮用户省力的做法,事实上用户更乐于为自己的选择买单。
  • 让用户知道大多数人的选择是什么,也是一个不错的推荐方式。当一个产品已经有了数据积累时,不妨把产品获得的数据反馈给用户,有的时候,群众的眼光可能真是雪亮的。

 

您可能也喜欢的文章:

腾讯:2014年中国平板电脑用户行为报告

腾讯:2014智能可穿戴市场白皮书完整报告

腾讯CDC:四步帮你分析用户流失原因

腾讯移动游戏用户

由中国移动与腾讯用户规模、APRU和股价的对比,看平台价值的迁移
无觅

相关 [腾讯 推荐系统] 推荐:

腾讯:仅24%用户认为个性化推荐系统“靠谱”

- - 199IT互联网数据中心
盘点科技圈里的时髦词汇,必然少不了一个词:个性化推荐. 借助个性化推荐技术,互联网产品获取或积累用户的兴趣喜好数据后,可以直接为用户提供每个人感兴趣的内容,以此提升产品的内容吸引力. 想要在产品里添加个性化推荐功能已经不是一件难事,事情的难点在于推荐的内容是否准确. 为了解目前用户对该类功能的反馈,企鹅智酷推出了一项调查,以下就是调查结果:.

Min-Hash和推荐系统

- - xlvector - Recommender System
前几年看Google News Recommendation的那篇Paper,对里面提到的MinHash的算法基本没有注意,因为之前的习惯都是只注意论文的模型那块,至于怎么优化模型一般都只是扫一眼. 不过最近看了大量的Google Paper,发现Google在实现一个算法方面确实有很多独到之处. 其实,Min-Hash是LSH(Locality Sensitive Hash)的一种,我之前对LSH的了解仅仅限于知道它能把两个相似的东西Hash成两个汉明距离接近的2进制数.

推荐系统实战

- - 博客园_首页
推荐算法:基于特征的推荐算法. 推荐算法准确度度量公式:. 其中,R(u)表示对用户推荐的N个物品,T(u)表示用户u在测试集上喜欢的物品集合. 集合相似度度量公式(N维向量的距离度量公式):. 其中,N(u)表示用户u有过正反馈的物品集合. 其中,S(u,k)表示和用户u兴趣最接近的K个用户集合;N(i)表示对物品i有过正反馈的用户集合;w(u,v)表示用户u和用户v的兴趣相似度;r(v,i)表示用户v对物品i的兴趣.

推荐系统杂谈

- - 后端技术杂谈 | 飒然Hang
推荐系统是近些年非常火的技术,不管是电商类软件还是新闻类app,都号称有精准的推荐系统能给你推送你最感兴趣的内容. 现象级的资讯类app“今日头条”就得益于此成为了势头非常猛的一款产品. 本文就针对推荐系统讲述一些相关概念和实践经验. 首先需要明确的就是推荐系统的目标,一般来说不外乎以下几个:. 用户满意性:首当其冲的,推荐系统主要就是为了满足用户的需求,因此准确率是评判一个推荐系统好坏的最关键指标.

个性化推荐系统综述

- Tony - 所有文章 - UCD大社区
上个月写过一篇产品推荐的文章,详情请见《我所了解的产品推荐》,内容很泛,多为工作心得. 本周读了几篇相关的论文,收获颇多,分享点干货. 以下内容摘自《个性化推荐系统的研究进展》,该文发表于2009年1月的《自然科学进展》专题评述,作者是刘建国、周涛、汪秉宏. 我略去了具体的算法和许多公式,重点看原理、思路和比较.

Reculike : 开源论文推荐系统

- votis - Resys China
今天这篇博文主要总结一下reculike的系统架构. 两周前我们宣布发布了reculike的alpha版. 本着分享的原则,今天在这儿介绍一下我们的各个模块的设计方法. 我们这个项目一开始叫paperlens,这是因为我们想学习业界的前辈movielens,开发一个源代码和数据都开源的系统. 关于数据的开源,我想当用户数达到一定程度后,每个月会dump一次我们所有的数据库(密码等隐私信息除外),放到网络上供大家下载.

推荐系统开源工具 – SVDFeature

- Roger - Resys China
SVDFeature是我们(上海交大Apex实验室)在参加KDDCUP 2011期间开发的. 通过这个工具,我们和港科大(HKUST)的联合小组InnerPeace在KDDCUP 2011中获得Track 1第三名,并创造单模型最好成绩. 在此分享给大家,并希望和大家有更多的交流. (1)基于feature的可扩展性 —— SVDFeature实现了我们的基础模型feature-based matrix factorization.

推荐系统那些事儿1

- - 冰火岛
知识库:用户知识库,Item知识库,用户评分数据(显性和隐性)等.不同的业务背景不一样,譬如电商,社交网络,视频,app应用等. 协同过滤引擎:根据用户评分数据集,通过collaborative filtering方法,计算用户喜欢的top N item. 数据格式: userid, itemid,score.

推荐系统那些事儿2

- - 冰火岛
学名:co –occurrence. 隐性数据:视频,社交网络,电子商务中的共同浏览,共同购买,互粉等等,对于一些隐性数据,计算共同行为,这也是最简单的. 一般的方式是,写个sql 自连接. 部分人定义为协同过滤思想,姑且看做狭义定义. 实际处理中,需要经过数据预处理,包括业务上的和技术上的. 这里,可以采用LoglikelihoodSimilarity作为相似性度量方式.

推荐系统那些事儿5

- - 冰火岛
规则引擎主要是满足不用业务场景,根据定制化的业务配置规则. 譬如营销,特殊的数据处理,为满足一些特殊的处理. 算法可以解决部分问题,有些特殊的问题是很难通过算法处理. 譬如一些特殊的视频,电影,商品等等. 推荐系统不仅仅是个技术问题,结合一些事件,给用户更好的体验. 譬如中秋节,可以通过多样性,为用户推荐月饼等.