18408215719 
立即咨询
每天从Siri根据前一天作息习惯设置的闹钟中醒来，洗漱，上班，路上听网易云推荐的歌曲，唤起一天的好心情。
工作之余打开大麦看看最近的活动，在首页找到感兴趣的电音节活动，赶紧买了票。
午饭后打开淘宝查看之前买的闪光灯的物流信息，发现首页推荐的“nd滤镜”不错，就下单了。
不知不觉一天过去了，睡前看了豆瓣推荐的《百年孤独》，很快就睡着了…
这是我日常生活中的一天。里面的产品影响着我的生活，个性化推荐在其中扮演着重要的角色。
那么，什么是个性化推荐呢？为什么要有个性化推荐？它能给我们带来什么？…
下面，以电商领域的个性化推荐，从以下几个维度揭开它的神秘面纱。
个性化推荐的定义
个性化推荐的背景
个性化推荐的价值
适合个性化推荐的产品
推荐的系统构建流程
个性化推荐策略方法论
个性化推荐效果评估系统
个性化推荐阻碍发展。
个性化推荐发展趋势
摘要
一、个性化推荐的定义
个性化推荐，本质上就是利用机器学习(深度学习)结合用户特征、物品特征、场景特征(时间、空间等。)构建用户兴趣模型，从大量产品中找到用户感兴趣的产品，缩短用户与产品的距离，提高用户的购买效率和产品体验。
二、个性化推荐的产生背景
个性化推荐的出现主要是需求和技术发展的推动。
需求方：
信息过载让用户很难找到符合自己的产品。
随着生活水平的提高，人们的需求也从低层次的需求增加到更高级的、享受的、个性化的、能展示自我的需求。
随着人口红利的消失，企业的增长由增量增长向存量增长转变，存量转化效率不断提高。
技术方面：
提高了算法能力。
力量有了很大的提升。
当数据呈指数级增长时
三、个性化推荐的价值
个性化推荐的价值体现在以下三个方面：
(1)用户维度：提高购物效率，更快找到符合需求和喜好的商品，缩短与商品的距离。
(2)产品尺寸：
满足用户个性化需求，赢得用户青睐，提升用户体验，促进留存转化和复购。
解决信息过载问题，提高信息分发效率，挖掘长尾商品，实现平台商品流量平衡。
(3)企业维度：用户活跃度和复购的提升，可以吸引更多卖家入驻，增加广告和佣金收入。
四、适合上线推荐系统的产品
推荐系统的价值在于解决信息过载或长尾分布的问题。这里有一个前提，就是商品数量和用户数量必须达到一定基数，才能凸显个性化推荐的优势。不同类型、不同阶段的产品、商品、用户，数量是不一样的。
产品类型：纯工具型，如日程列表工具，产品定位是用后即走，用户无物品无需推荐；而资讯、短视频、电商等拥有大量用户和内容的产品则非常推荐。
产品阶段：前期如果用户和文章少，或者用户行为少，暂时没必要。即使有个性化推荐系统，也无法体现其最大价值。很多情况下，清楚了解业务和用户，用专家规则更好。
五、推荐系统的搭建阶段
个性化推荐系统的构建基本由工程师完成，系统构建过程相对复杂。因为篇幅问题，这里暂时不解释了。有兴趣的同学可以阅读《JD.COM商品个性化推荐系统的架构演变》，里面有详细介绍。
六、个性化推荐策略方法论
接下来以电商移动端首页“猜你喜欢”为场景，介绍推荐策略的制定。
1. 策略制定的思考方向
推荐策略的制定基本遵循以下步骤
服务请求
第一点是要知道用户的心理诉求。
也就是用户在这个场景下需要什么，怎么做？通过对用户在终端上的行为分析，可以得出用户在访问推荐场景时，可以根据用户当天的行为轨迹判断用户当时的心理诉求。
当天，如果你在本次访问之前已经对商品做了一些处理，则认为用户有迫切明确的购物需求。
同一天，如果这次访问是第一次访问，则认为用户没有迫切明确的购物需求，只是想找到感兴趣的商品。
第二点是让场景客观清晰。
知道了用户的心理需求，那么我们的场景目标就是满足用户的心理需求：不仅仅是满足用户
迫切而明确的需求，还要挖掘和满足用户的潜在需求。
第三，业务描述。
好的个性化推荐系统不仅能满足用户需求，还能帮助平台带来业绩增长，提升流量健康。因此，在制定策略时，推荐系统需要与商家的运营策略相适应，如对优质商品、新爆款、低爆高转等商品进行权重排序和提升，对低爆高转、高保质期、n天不卖、换季发货等商品进行权重排序和降低。
2. 策略制定详细说明
有了明确的场景目标，就可以结合业务需求制定详细的策略。
首先，我们需要找到(召回)符合场景目标的产品。
(1)对于紧急、明确的购物需求，推荐用户已经行动的产品的同类产品，满足其紧急、明确的购物需求。
为什么说向用户推荐同类产品最大概率能满足用户需求？因为人的每一个行为都是有动机的，动机是寻找符合需求的目标物的动力，行为商品是目标物，在电商领域可以直接等同于用户的需求。
商品的行为，但没有下单购买，说明某些属性不符合用户需求，而寻找类似商品，可以最快找到完全符合用户需求的商品，可以最大概率满足用户的购物需求。
对于模糊的、潜在的购物需求，可以通过推荐以下四项来发掘和满足用户的需求。
兴趣偏好：计算用户的兴趣偏好，如品类偏好、品牌偏好等。通过算法模型利用用户的历史数据(如3个月)，向用户推荐优选产品，挖掘潜在需求，转化为现实需求，实现需求的满足。
相似人群：一个群体中的热销商品反映了该群体中相似的需求。我们可以根据用户的基本信息和行为特征找到相似的人，并在其中找到热销的产品，推荐给他们，最大概率满足他们的需求。
场景相关：季节性和节日相关商品。如果中秋节快到了，用户可能需要购买月饼，那么我们会向用户推荐月饼。
兴趣：我们可以利用知识图谱来发掘用户可能感兴趣的新产品。
对于业务描述，可以根据业务规则找出符合要求的产品并整合到推荐结果集中，也可以直接使用业务规则对结果集中的产品进行排序和微调。
找到符合场景目标的商品后，进行排序展示。
产品排序一般是通过目标设置模型的自学习获得，但产品经理可以根据用户需求的迫切程度和偏好制定近似排序策略，主要体现在特征的定性要求上。
比如购买行为的权重大于点击行为的权重，最近行为的权重大于前一段时间行为的权重等等。不同的场景使用不同的特征，特征权重可能不同。具体情况具体分析。
以上是详细策略制定的思路。无论哪种场景好，基本都遵循了以上三个方向指定的策略。
七、个性化推荐效果评估体系
好的效果评估系统技巧可以判断策略是否能达到目标，同时可以为后续的优化提供方向。不同时期推荐系统的评价指标是不一样的。以下是推荐系统的综合指标。
1. 用户维度
精准(了解用户，满足用户实际需求，挖掘潜在需求)
体验流畅性、稳定性和沉浸感(良好体验)
解释性(提高用户信任度)
多样性(避免信息茧，增强体验)
惊奇程度(兴趣探索)
2022-05-02
