产品个性化推荐常见的几个场景

搜索引擎满足了用户有明确目的时的主动查找需求,而推荐系统能够在用户没有明确目的的时候,帮助他们发现感兴趣的物品。

产品个性化推荐常见的几个场景

一、场景

1. 相似商品

常见于商品详情页,基于物品的共有特征(包括用户行为特征或是内容特征等),找到相似物品推荐。

如图19-1,进入商品详情页,首先看到的是图片、标题、参数选择、评价内容,接下来显示的就是推荐的相似商品;

它的目的是,经过前面的了解之后,如果对当前的商品不满意,那么这里提供了与当前商品特征相似的其他商品,这里的关键词是“特征”;

比如我是要给小朋友买个非洲鼓,那么它推荐的非洲鼓可能更多是满足“儿童”特征的。尤其是在当前商品做了广告投放的情况下,推荐特征相似的商品,可以有效的降低页面的跳出率。

电商个性化推荐常见的3个场景

图19-1 商品详情页推荐(图片来源:京东、天猫)

2. 猜你喜欢

常见于购物车,它是根据用户历史行为、标签、社交以及物品属性等,计算用户可能感兴趣的物品列表,做个性化Top-N推荐。

以购物车为例,用户把商品加入购物车,说明用户喜欢该商品,有购买意向,跟浏览商品详情页还在了解阶段是完全不同的,这个时候给用户推荐的商品,是基于对当前用户的分析给出的。

所以我们注意到,购物车推荐的商品,除了跟当前加入购物车相似的商品,还包括了当前用户以往收藏、分享类似的商品等。

3. 买了又买/看了又看

常见于支付成功页面,它是基于所有用户的购买或者浏览行为的关联分析(类似于啤酒和尿布的关联分析),找到关联规则较强的物品列表作为推荐列表。

它的逻辑是,找到与当前用户类似的其他用户,把其他用户购买的,但是当前用户未购买的商品,推荐给当前用户。

这里的核心关键词是“用户”,跟前面两个推荐方式不同的是,这里会推荐一些当前用户之前未了解过的商品。

二、冷启动

如何在没有大量用户数据的情况下设计个性化推荐系统,并让用户对推荐结果满意从而愿意使用推荐系统,就是冷启动问题。

冷启动又分成用户冷启动和物品冷启动,用户冷启动是给新用户做推荐,物品冷启动是将新物品推荐给可能对其感兴趣的用户。

用户冷启动可以分为两类:

一是可以查询到相应的用户画像信息,如性别、年龄等,此类用户可以进行粗粒度的推荐;

二是查询不到用户画像信息,该类用户的物品推荐只能依赖于热门物品,即在几个不同的物品分类中,分别取n个最热门的物品进行组合,作为最终的推荐结果。

物品冷启动一般需要分析其标签分类,将冷启动的物品与其他具有相似标签/分类的物品进行关联,在某些推荐栏目中尝试替换具有相似标签的物品进行推荐。

三、实现

推荐工作主要分为三步:

一是特征工程,主要是在推荐模型中加入、提取用户个性化特征或是商品的个性化属性,用于更精确的描述用户行为或是商品信息,从而提高推荐模型的准确性,获得更加精确的推荐结果。

这里实际上就是一个数据埋点、上报的过程,以电商为例,可能包含的数据有:

  • 用户 – 手机、邮箱、地域、性别、年龄;
  • 商品 – 名称、分类、标签、价格、销量、优惠券、收藏数、分享数;
  • 行为 – 登录、注册、加入购物车、提交订单、支付、搜索。

二是根据特征工程上报的数据,通过程序算法,生成推荐原始集。

三是对推荐原始集进行重排序,基于不同算法产生的物品推荐度以及用户画像特征、物品特征等做商品预估排序,生成最终推荐结果列表。

四、评测指标

1. 用户满意度

主要通过调查问卷的形式,用户对推荐系统的满意度分为不同的层次:很喜欢、喜欢、一般、不喜欢等几个层次,更一般的情况下,我们还可以通过点击率、用户停留时间等指标衡量用户的满意度。

2. 覆盖率

描述对物品长尾的发掘能力,覆盖率有不同的定义方法,通常的定义为推荐系统能够推荐的物品占总物品集合的比例。

3. 其他

  1. 新颖性,是指给用户推荐那些他们以前没有听说过的物品;
  2. 信任度,如果用户信任推荐系统,那就会增加用户和推荐系统的交互;
  3. 实时性,推荐系统需要实时地更新推荐列表来满足用户新的行为变化,同时,需要能够将新加入系统的物品推荐给用户;
  4. 健壮性,衡量一个推荐系统抗击作弊的能力。

五、总结

本文以电商为例,去掉了恐怖的算法讲解,用人人都能看懂的方式,分享了个性化推荐常见的3个场景,以及实现步骤、测评指标,希望对各位有所帮助。

张旭东,微信公众号:旭东爱折腾,努比亚手机商城产品经理,前华强旗舰店产品经理,FON乐队吉他手。

本文由用户@黑色斑马发布于新媒体运营,未经许可,禁止转载。

题图来自Unsplash,基于 CC0 协议。

本文由 新媒体运营 作者:黑色斑马 发表,其版权均为原作者所有,文章内容系作者个人观点,不代表 新媒体运营 对观点赞同或支持,未经许可,禁止转载,题图来自Unsplash,基于CC0协议。
1

发表评论