推薦石器時代「前推薦時代」,人工運營、熱門排序、機器學習排序都能夠在產品初期為產品積累數據,為後期個性化打下基礎;產品前期沒有「積累用戶數據」的時候,採取這種基於熱度和內容的推薦演算法也是常見的手段,但是這一類做法還是沒有很好地解決一些一直以來的問題,比如「馬太效應」,如果是資訊類的產品,馬太效應也就是一定程度上的「輿論引導」。本文將結合馬太效應及初期的一些方法緩解此類問題。
「前期不可避免」,後期加入「個性化演算法」。
2.2馬太效應
▏2.2.1有者愈有,強者愈強
熱門商品越熱門,新商品很難發現。採取這種演算法,很容易會引起馬太效應,比如說某個商品在初期獲取了流量後,或者商家有刷單的情況,排序依據此類數據,就會長期對用戶產生誤導。B2C電商平臺的綜合排序,就會尤為重要,即「綜合排序」能夠一定程度上減小馬太效應的影響。
▏2.2.2隨機因子
1)「補償不利位置」商品 -隨機
a.通過引入「隨機因子」,在熱門排序中考慮一定的比例插入全新的商品或者排序靠後的新商品,比如每10個商品中有1-2個位置可以插入。
b.「直接降權」,也屬於補償機制的一種。對排名「位置靠前」的商品「定期降權」,如對前兩頁的圖文信息每隔幾個小時降權至原來的30%,位置靠後的商品有機會晉陞。其中需要考慮「時間效應」,引入「半衰期」的概念。