【五.推薦青銅時代-1】關聯與個性化
商場如戰場，中國古代軍事鉅著《孫子兵法》的謀攻篇中就有論述「「知彼知己，百戰不殆」」的道理，其中蘊藏深刻的「「洞察」」思維。在零售電商領域內，「「知彼」」不僅代表要對「競爭者」的動作瞭若指掌，更重要的是時刻關注「目標客戶羣體」需求的變化，而個性化則是尤為突出的標誌，從而在「知彼知己」的基礎之上，持續優化 提升「己」，最終獲得用戶的認可。
石器時代，推薦系統主要依賴於每天獲取到的條目表現數據進行推薦，還「沒有做到千人千面」，熱門的內容總是得到更多的爆光，冷門的內容從沒機會被關注，使內容生產生態「兩極分化」，關聯與個性化推薦則幫助「平衡平臺的生態」，「避免馬太效應」。而青銅時代逐步構建個性化推薦系統，幫助用戶發現更多優質的長尾內容，一般平臺用戶訪問的只侷限在熱門的10%左右的內容，很多內容永遠沉在資料庫中沒有人發現，精細化地服務將會帶來了更大的收益。 從相關、相似的產品推薦過渡到「多特徵、多維度、用戶實時行為」、「結合用戶場景」進行的「全方位智能推薦」。
關聯與個性化推薦產生的初衷是為瞭解決信息過載和物品長尾的問題。關聯推薦使用了不同用戶行為計算物品的相關性；個性化推薦就是根據「用戶的興趣特點」和「購買行為」，向用戶推薦用戶感興趣的信息和商品。關聯推薦可以認為有大部分的工作與個性化重疊，這裡主要介紹個性化推薦。
推薦系統根據用戶的隱含信息或顯示信息，對用戶進行建模，同時對物品信息進行建模。推薦系統根據不同的推薦演算法對用戶興趣和物品特徵進行匹配篩選，找到用戶可能感興趣的推薦物品。
通過對海量數據的整合和分析，形成獨立的「數據矩陣」，服務於個性化場景。平臺可以發展多種大數據產品，如:對購物者的「個性化需求分析」， 將顧客需求與供應商資源進行「快速匹配 」。 新一代消費者「自我意識更強」，而消費態度和行為也更加個性化。如通過多種手段追蹤消費者習慣和變化，在消費者決定購買之前對其行為進行判斷和預測，將消費者的需求通過零售商傳遞給供應商, 提供個性化的產品和服務以及個性化的營銷和促銷手段, 營銷作為信息而不是廣告。
消費者從「「人以羣分」」到「「千人千面」」 ，前一階段我們沒有考慮個性化，這一階段我們會去考慮如何數字化地定義用戶喜歡(感興趣)，並且如何從數百萬商品中選取出用戶可能感興趣的商品。
1.1個性化落地
▏1.1.1假設
用戶的歷史「行為可以代表用戶的興趣」，「羣體的偏好」可以一定程度上作為用戶的「初始興趣」；「好商品和相關的商品總是會被用戶經常點擊和購買」。
▏1.1.2流程
1) 「i2i數據生成」:通過收集平臺上某個時間窗口內(近N天)的用戶行為數據(包括點擊、加購、收藏、購買)，並且給不同的行為賦予不同的權重(購買>加購>收藏>點擊，越大的值代表了此種行為更能代表用戶喜歡這個商品)，然後使用「協同過濾、圖、內容演算法計算」「商品與商品的相似性」(類似啤酒與尿布的故事)
2)「候選商品召回」:通過用戶的近期的行為(點擊、加購、收藏、購買)，撈取這些行為操作的商品的相似商品(比如用戶點擊了A，A的若干個「相似商品會被召回」)，一般這樣的商品會有幾十到幾千個
3)「排序」:根據撈取的這些商品使用一個「點擊率預估」模型進行預測，得分高的將會在靠前的位置(點擊率預估:通過收集用戶的曝光未點擊，和曝光有點擊數據構建正負樣本，然後使用二分類模型，預測某個用戶對候選商品的點擊概率)
4)「打散」:上述模型對候選商品進行打分後，由於用戶行為可能比較單一或短時間比較集中，會造成排序商品可能集中於某幾個類目，所以引入「打散策略」(通過演算法控制「不能同時出現多少個同類目的商品」)
▏1.1.3.兩個問題
1) 「用戶沒有行為怎麼辦」:此類用戶無法通過行為關聯商品，推薦系統通過國家、性別等撈取對應的熱銷、置信高轉化商品(比如曝光大於n，轉化率大於x)，並按照點擊率、轉化率排序。此數據稱為默認排序。如何給新用戶做個性化推薦？
a.做「非個性化推薦」，如熱門排行榜、人工推薦等。等到用戶數據收集到一定的時候，再切換為個性化推薦
b.利用用戶的註冊信息做「粗粒度」的個性化推薦
c.利用「社交」網站授權，導入好友關係，給用戶推薦好友喜歡的物品 (今日頭條基於微博興趣圖譜做個性化推薦)
2) 用戶「有行為但是近期無購買」:此類用戶對平臺還未產生足夠強的購買心智，考慮對這類用戶展現全站性價比最高的商品(價格低，轉化高)。
3) 有些商品是「新品」沒有轉化數據如何進入推薦系統:通過新品預測給新品一個預測值，並在某些場景給予一定的測試曝光，進行數據收集，「優勝劣汰」，最終有一部分商品會流入其它各個推薦場景。
▎對推薦、搜索、廣告和用戶感興趣的小夥伴可以閱讀下面的文章匯總
姚凱飛：推薦&搜索&廣告&用戶畫像&深度學習整理
下一篇文章，敬請期待:
【五.推薦青銅時代-2】衝突與協調
推薦閱讀：
