产品经理需要懂的技术丨3分钟了解个性化推荐算法

标签: 产品设计 内容推荐 推荐算法 | 发表时间:2016-02-19 13:24 | 作者:Nick
出处:http://www.woshipm.com

tuijiansuanfa

如果去商场里买东西,我并不愿意听导购小姐讲的话,但是电商网站上的推荐,我还真的愿意看一看。【猜你喜欢】,好,那你就猜猜吧。

推荐这种体验除了电商网站,还有新闻推荐、电台音乐推荐、搜索相关内容及广告推荐,基于数据的个性化推荐也越来越普遍了。今天就针对场景来说说这些不同的个性化推荐算法吧。

gexing-tuijian-suanfa-01

说个性化之前,先提一下非个性化。 非个性化的推荐也是很常见的,毕竟人嘛都有从众心理,总想知道大家都在看什么。非个性化推荐的方式主要就是以比较单一的维度加上半衰期去看全局排名,比如,30天内点击排名,一周热门排名。

但是只靠非个性化推荐有个弊端,就是马太效应,点的人越多的,经过推荐点得人有更多。。。强者越强,弱者机会越少就越弱,可能导致两级分化严重,一些比较优质素材就被埋没了。

所以,为了解决一部分马太效应的问题,也主要是顺应数据化和自动化的模式,就需要增加个性化的推荐(可算说到正题了。。。)个性化的优点是不仅体验好,而且也大大增加了效率,让你更快找到你感兴趣的东西。YouTube也曾做过实验测试个性化和非个性化的效果,最终结果显示个性化推荐的点击率是同期热门视频的两倍。

gexing-tuijian-suanfa-02

1.新闻、视频、资讯和电台(基于内容推荐)

一般来说,如果是推荐资讯类的都会采用基于内容的推荐,甚至早期的邮件过滤也采用这种方式。

基于内容的推荐方法就是根据用户过去的行为记录来向用户推荐相似额推荐品。简单来说就是你常常浏览科技新闻,那就更多的给你推荐科技类的新闻。

复杂来说,根据行为设计权重,根据不同维度属性区分推荐品都是麻烦的事,常用的判断用户可能会喜欢推荐品程度的余弦向量公式长这样,我就不解释了(已经勾起了我关于高数不好的回忆)。。。

gexing-tuijian-suanfa-03

但是,这种算法缺点是由于内容高度匹配,导致推荐结果的惊喜度较差,而且有冷启动的问题,对新用户不能提供可靠的推荐结果。并且,只有维度增加才能增加推荐的精度,但是维度一旦增加计算量也成指数型增长。如果是非实体的推荐品,定义风格也不是一件容易的事,同一个作者的文风和曲风也会发生改变。

gexing-tuijian-suanfa-04

2.电商 零售类(协同过滤推荐和关联规则推荐)

说电商推荐那不可能不讲到亚马逊,传言亚马逊有三成的销售额都来自个性化的商品推荐系统。实际上,我自己也常常在这里找到喜欢的书,也愿意主动的去看他到底给我推荐了什么。

一般,电商主流推荐算法是基于一个这样的假设,“跟你喜好相似的人喜欢的东西你也很有可能喜欢。”即协同过滤过滤算法。主要的任务就是找出和你品味最相近的用户,从而根据最近他的喜好预测你也可能喜欢什么。

这种方法可以推荐一些内容上差异较大但是又是用户感兴趣的物品,很好的支持用户发现潜在的兴趣偏好。也不需要领域知识,并且随着时间推移性能提高。但是也存在无法向新用户推荐的问题,系统刚刚开始时推荐质可能较量差。
电商行业也常常会使用到基于关联规则的推荐。即以关联规则为基础,把已购商品作为规则头,规则体为推荐对象。比如,你购买了羽毛球拍,那我相应的会向你推荐羽毛球周边用品。关联规则挖掘可以发现不同商品在销售过程中的相关性,在零售业中已经得到了成功的应用。

gexing-tuijian-suanfa-05

3.广告行业(基于知识推荐)

自从可以浏览器读取cookies,甚至获得年龄属性等信息,广告的个性化投放就也可以根据不同场景使用了。

当用户的行为数据较少时,基于知识的推荐可以帮助我们解决这类问题。用户必须指定需求,然后系统设法给出解决方式。假设,你的广告需要指定某地区某年龄段的投放,系统就根据这条规则进行计算。基于知识的推荐在某种程度是可以看成是一种推理技术。这种方法不需要用户行为数据就能推荐,所以不存在冷启动问题。推荐结果主要依赖两种形式,基于约束推荐和基于实例推荐。

gexing-tuijian-suanfa-06

4.组合推荐

由于各种推荐方法都有优缺点,所以在实际中,并不像上文讲的那样采用单一的方法进行建模和推荐(我真的只是为了解释清楚算法)。。。

在组合方式上,也有多种思路:加权、变换、混合、特征组合、层叠、特征扩充、元级别。

并且,为了解决冷启动的问题,还会相应的增加补足策略,比如根据用户模型的数据,结合挖掘的各种榜单进行补足,如全局热门、分类热门等。

还有一些开放性的问题,比如,需不需要帮助用户有品味的提升,引导人去更好的生活。

最后,我总想,最好的推荐效果是像一个了解你的朋友一样跟你推荐,因为他知道你喜欢什么,最近对什么感兴趣,也总能发现一些有趣的新东西。这让我想到有一些朋友总会兴致勃勃的过来说,嘿,给你推荐个东西,你肯定喜欢,光是听到这句话我好像就开心起来,也许这就是我喜欢这个功能的原因。

 

本文由作者:lottelyn江琳  公众号(这个产品超难用) 授权发布于人人都是产品经理 ,未经许可,禁止转载。


人人都是产品经理微信公众号:woshipm,随时随地,学产品、学运营,听讲座。

相关 [产品经理 技术 推荐算法] 推荐:

产品经理需要懂的技术丨3分钟了解个性化推荐算法

- - 人人都是产品经理
如果去商场里买东西,我并不愿意听导购小姐讲的话,但是电商网站上的推荐,我还真的愿意看一看. 【猜你喜欢】,好,那你就猜猜吧. 推荐这种体验除了电商网站,还有新闻推荐、电台音乐推荐、搜索相关内容及广告推荐,基于数据的个性化推荐也越来越普遍了. 今天就针对场景来说说这些不同的个性化推荐算法吧. 说个性化之前,先提一下非个性化.

技术之于产品经理

- - 极客公园-GeekPark
不爱写代码的软件专业学生 没有产品经历的互联网创业者 永远走在学习道路上的小白. [核心提示]近日关于“产品经理需不需要懂技术”的讨论很火,那么技术之于产品经理到底如何呢. 前言:我不是做产品的,只是对产品设计颇有兴趣,所以个人并不代表产品经理的立场;我是技术出身,但不热衷技术,所以也不能代表研发工程师的立场.

产品经理要懂多少技术

- - 极客公园-GeekPark
个人博客 http://blog.igevin.info. [核心提示]产品经理不需要在技术上登峰造极,但必须要赢得程序猿的尊敬. 产品经理是个辛苦的工作,除了要最热爱产品,练功坐禅研究用户体验外,还要和一大堆人打交道——写代码的,做设计的,搞运营的,做市场的. 前两类人算是艺术家,自然会带点艺术家特有的奇葩气质,第一类人又是和产品经理打交道的人里面最聪明的,一个不小心,没准就被程序猿们划入“白痴”族群,作为茶余饭后鄙视的对象.

King.com产品经理谈HTML5技术发展潜力

- - GamerBoom.com 游戏邦
作者:Joe Osborne. 作为一种用于创造网页游戏的新工具,HTML5已经成为了2012年社交游戏领域的一大热词. King.com最近发布于Facebook的《Pyramid Solitaire Saga》便是一款基于HTML5技术的游戏(游戏邦注:但德国社交游戏开发商Wooga则在最近宣布放弃HTML5),该公司产品经理Levina Nilsson在最近媒体采访中解释了King.com看好HTML5技术的原因.

我是产品经理我需不需要学技术?

- - 方糖气球
我是产品经理我需不需要学技术. 这个问题我已经听过很多遍了. 作为一个技术出身的产品经理,我的意见是,需要学,但很可能不是你所想的那种学法. 科学技术是第一生产力,而现在这个生产力正在移动互联网、云计算、3D打印和物联网等领域飞速发展. 这意味着谁先将它转化为产品,谁就能突破现有的用户体验,在这个体验至上的产品领域中占领头筹.

产品经理,不懂技术也能活的很好!

- - 人人都是产品经理
“师兄,我们这款产品的核心功能是要达到XXX,可以采用XX技术来实现,这样可能会比较好”,“且,你管我用什么技术,我能给你实现就好了,你又不懂技术,瞎扯什么蛋呢. “美女,这个UI可以加宽Xpx、加高Xpx会更好看,用XX修图软件可以处理得更棒”,“额,我知道怎么弄,你那样的要求太高了,有脾气你自己来,瓜娃子.

产品经理

- - 人月神话的BLOG
再谈下怎样能够算得上一个合格的产品经理,一个人不是说你能够有产品构思,能够画点原型,能够做团队和项目管理就是产品经理. 苏杰原来有本书叫《人人都是产品经理》,看了后大家可能会觉得做一个产品经理是挺容易的一件事情,但是自互联网提供和设置了大量的产品经理岗位后,产品经理这个词基本就烂大街了. 我们如何来界定一个产品经理,如果简单点来讲可以理解为 根据自己长期的项目和运营实践,通过自己的敏捷洞悉能力和分析能力,能够将当前的市场需求或潜在的市场需求转化为具体的产品需求,并能够核心的定义产品功能模型和价值输出,同时能够通过项目和团队管理的能力,凝聚一个小组形成一个真正的团队,将自己的产品构思付诸于最终产品实现的人.

社会化推荐算法

- - CSDN博客云计算推荐文章
本文是论文《一种结合推荐对象间关联关系的社会化推荐算法》(以下简称论文)的笔记(下). 该论文提出的算法是以PMF为框架基础的. 因而若对PMF不太了解的话,可以参考我的 上一篇文章脑补一下,当然,那篇文章只是概述,详细了解PMF还需要阅读初始论文,但读完那篇文章后,对本文的理解应该没有问题. 所谓社会化推荐算法,是将社交网络的特性加入到推荐系统中来.

常用推荐算法

- - 互联网 - ITeye博客
       在推荐系统简介中,我们给出了推荐系统的一般框架. 很明显,推荐方法是整个推荐系统中最核心、最关键的部分,很大程度上决定了推荐系统性能的优劣. 目前,主要的推荐方法包括:基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐. 基 于内容的推荐(Content-based Recommendation)是信息过滤技术的延续与发展,它是建立在项目的内容信息上作出推荐的,而不需要依据用户对项目的评价意见,更多地需要用机 器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料.

Mahout: SVDRecommender SVD推荐算法

- -