更多：推薦系統(tǒng)…

這里需要提一下客戶體驗(yàn)價(jià)值，它幫助企業(yè)了解每個(gè)客戶的體驗(yàn)價(jià)值和商業(yè)價(jià)值，從而幫助決定如何對(duì)待客戶體驗(yàn)，以及如何調(diào)整客戶體驗(yàn)項(xiàng)目的投入。每個(gè)產(chǎn)品特性導(dǎo)致不同的評(píng)估指標(biāo)，最核心的是如何評(píng)估用戶需求滿足度？不同場(chǎng)景、不同階段的推薦系統(tǒng)各部分重要程度不同 ~~

推薦效果影響因素：用戶需求、數(shù)據(jù)質(zhì)量、算法策略、模塊位置、展現(xiàn)樣式、契合產(chǎn)品…

推薦目標(biāo)：實(shí)現(xiàn)產(chǎn)品目標(biāo)，合適的才是最好的

核心問題：如何構(gòu)建一個(gè)用戶對(duì)商品的評(píng)價(jià)模型

宗旨：服務(wù)提供方與消費(fèi)方的雙贏

推薦系統(tǒng)是一個(gè)多方交互的復(fù)雜系統(tǒng)，有很多因素能夠?qū)ν扑]系統(tǒng)的效果產(chǎn)生影響，本文試對(duì)這些因素中的一些代表性因素進(jìn)行簡(jiǎn)單的闡述分析。

▌宏觀

從宏觀上來看，好的推薦系統(tǒng)就是滿足用戶的需求，幫助其進(jìn)行路徑優(yōu)化與興趣發(fā)現(xiàn)。微觀上來講，好的推薦系統(tǒng)一定是再為產(chǎn)品服務(wù)，不同的產(chǎn)品階段，我們需要確立不同的推薦系統(tǒng)目標(biāo)及評(píng)價(jià)體系。比如產(chǎn)品上線初期，該產(chǎn)品線上的用戶為初次體驗(yàn)用戶，我們可能更多的讓用戶體驗(yàn)到性價(jià)比，以電商推薦產(chǎn)品為例，比如新客專享等福利。再比如產(chǎn)品逐步發(fā)展，我們可能會(huì)去著重考量瀏覽深度，點(diǎn)擊率，轉(zhuǎn)化率，客單價(jià)，gmv 等指標(biāo)，或是多個(gè)指標(biāo)的整體值。

推薦系統(tǒng)評(píng)價(jià)的體系會(huì)圍繞以下幾點(diǎn)進(jìn)行決策：新上線的功能或者算法對(duì)產(chǎn)品價(jià)值多大，成本多高，收益如何？展開的話就是可以問自己以下幾個(gè)問題：目前的推薦系統(tǒng)與產(chǎn)品和核心是否一致，是否是在強(qiáng)化瀏覽深度，點(diǎn)擊率，gmv 等現(xiàn)階段的目標(biāo)，與目前產(chǎn)品的發(fā)展階段是否相符，這里主要考量產(chǎn)品自身的用戶量，人群大小，用戶使用頻度等，最終就是結(jié)合以上兩個(gè)問題，所使用的推薦算法策略，是否能夠強(qiáng)化產(chǎn)品核心心智。

1. 產(chǎn)品域角度

1) 依賴于產(chǎn)品領(lǐng)域知識(shí)及目的

推薦產(chǎn)品的評(píng)價(jià)強(qiáng)依賴于產(chǎn)品領(lǐng)域知識(shí)，不同的領(lǐng)域?qū)τ谠u(píng)價(jià)也會(huì)有比較大的區(qū)別，工具類的產(chǎn)品重黏性和時(shí)長(zhǎng)，電商重回訪和轉(zhuǎn)化。

2) 無整體評(píng)估方案存在

推薦產(chǎn)品的評(píng)估方案也存在?trade off?，很難做到各個(gè)方面都兼顧，只能說根據(jù)產(chǎn)品的各個(gè)階段選擇適合的評(píng)估方案，不斷調(diào)整及迭代。產(chǎn)品初期可能會(huì)考慮用戶的交互及瀏覽時(shí)長(zhǎng)等體驗(yàn)指標(biāo)，產(chǎn)品中后期會(huì)從商業(yè)價(jià)值實(shí)現(xiàn)角度考慮商業(yè)收益等指標(biāo)。

2. 信息檢索角度

1)?路徑優(yōu)化

推薦作為信息分發(fā)的路徑，定位于快速幫助用戶找到合適的條目，簡(jiǎn)化和縮短用戶行為路徑，用完即走，當(dāng)然不是永遠(yuǎn)不來。每次快速完成用戶需求，并且用戶持續(xù)地來。

2)?準(zhǔn)確的推薦

信息分發(fā)維度，推薦就是需要準(zhǔn)確，必然是準(zhǔn)確的推薦是好推薦的核心要素之一。

3. 推薦系統(tǒng)角度

1)?長(zhǎng)尾挖掘

挖掘必然是推薦需要去完成的一件事，長(zhǎng)尾作為大頭的存在，分發(fā)過程中需要將把握，或者說長(zhǎng)尾挖掘是好的推薦系統(tǒng)需要去完成的任務(wù)。

2)?用戶不知道什么商品存在

好的推薦系統(tǒng)是既可以根據(jù)用戶的反饋來推薦，也可以不斷幫助用戶進(jìn)行探索，因?yàn)橛脩艨赡懿痪哂心硞€(gè)領(lǐng)域內(nèi)的知識(shí)，好的推薦系統(tǒng)還需承載幫助用戶發(fā)現(xiàn)新事物的功能。

4. 交互角度

1)?用戶好的體驗(yàn)

好的用戶體驗(yàn)，外在表現(xiàn)為對(duì)產(chǎn)品的評(píng)價(jià)，回訪、黏性、口碑等角度。

2)?教育引導(dǎo)

好的推薦可以快速地教育用戶，幫助用戶快速地了解產(chǎn)品和使用產(chǎn)品。

3)?說服并使用戶信任

可以讓用戶對(duì)產(chǎn)品的認(rèn)知升級(jí)，并且開始信任推薦產(chǎn)品，對(duì)于推薦產(chǎn)品的結(jié)果產(chǎn)生依賴和信任感。

5. 商業(yè)視角

1) 可以為企業(yè)實(shí)體帶來商業(yè)價(jià)值的實(shí)現(xiàn)。

2) 優(yōu)化銷售邊界和利潤(rùn)

幫助產(chǎn)品拓展邊界，通過場(chǎng)景構(gòu)建更多樣、更貼心的體驗(yàn)，最終提升利潤(rùn)等。

6. 推薦的 5W

進(jìn)一步展開，從細(xì)節(jié)來講好的推薦系統(tǒng)往往會(huì)考量5個(gè) w： when ，where ，who ，what ，why 。

When：主要是在圍繞時(shí)間維度做文章。圍繞季節(jié)、早晚、熱點(diǎn)時(shí)期、節(jié)日、周期等因素為平臺(tái)用戶提供推薦服務(wù)，一般圍繞時(shí)間維度的推薦會(huì)涉及用戶的購物習(xí)慣，易耗品的購物周期等，舉個(gè)例子來說，比如常見用戶在奶粉、紙尿褲等商品上會(huì)呈現(xiàn)一定的購物周期規(guī)律，通過數(shù)據(jù)分析發(fā)現(xiàn)，用戶的購物周期呈正態(tài)分布，如下圖。再比如周末線上支付線下消費(fèi)的產(chǎn)品銷量會(huì)比工作日高等。當(dāng)然泛推薦領(lǐng)域的信息推送等一般也會(huì)考慮時(shí)間因子進(jìn)行信息推送 ( 短信 – email ) 。

Where：這個(gè)維度主要考慮地理位置因素，包涵了粗粒度的省份城市因素和細(xì)粒度的經(jīng)緯度，粗細(xì)粒度一般在不同的產(chǎn)品場(chǎng)景下被使用，細(xì)粒度的地理位置信息一般在用在時(shí)效性、區(qū)域性要求較高的產(chǎn)品上，比如外賣 ( O2O ) ；粗粒度則更多的是的輕位置信息的電商產(chǎn)品重，比如衣服，百貨等 ( B2C ) ，雖然輕位置信息，但是位置信息也會(huì)被使用在這類產(chǎn)品重，比如南方與北方姑娘喜歡的衣服風(fēng)格會(huì)不一樣，天氣因素也會(huì)隨地理位置的不同不同，所以同一時(shí)間南北方的消費(fèi)需求會(huì)存在差異。

Who：人物維度，則更多地去考慮用戶各類信息特征，比如用戶是男是女，是老是少，是新用戶還是老用戶，平時(shí)喜歡買什么品牌，喜歡什么品類的東西，風(fēng)格如何等等，這些都是在描述這個(gè)人，現(xiàn)在這一類技術(shù)一般作為用戶畫像存在，通過用戶行為和人口統(tǒng)計(jì)學(xué)數(shù)據(jù)構(gòu)建的畫像體系。

What：這個(gè)維度則是需要推薦的主體是什么，主體類型可能有以下服飾，百貨，文章，音樂，美食，視頻等等，不同物料有著不同的自帶屬性，并且產(chǎn)品附加信息也不同。比如文章，視頻等對(duì)時(shí)效性的要求比電商類產(chǎn)品更高，特別是新聞?lì)悆?nèi)容基本時(shí)效性要求在天級(jí)；再比如剛剛說的對(duì)位置信息的利用，美食相對(duì)于衣服這類商品對(duì)位置的要求就更高。所以在推薦的過程中我們會(huì)根據(jù)推薦的主體不同做更多的推薦策略算法和系統(tǒng)的適配，最終去推動(dòng)。

Why：這個(gè)維度更多地會(huì)去考量推薦地可解釋性問題，外化到產(chǎn)品維度則是推薦理由，比如是通過好友推薦的，比如通過瀏覽的商品推薦相似的商品等等 。所以上面這一切都基于數(shù)據(jù)洞察，維度基本有以下幾個(gè)：用戶數(shù)，用戶群體，推薦功能，推薦內(nèi)容，非個(gè)性化 or 個(gè)性化，Top-N ，列表瀏覽，是否實(shí)時(shí)反饋，消費(fèi)需求變化情況。

通過以上維度進(jìn)行產(chǎn)品定位，最終可以考慮的設(shè)計(jì)要素有：需求分析和用戶調(diào)研，功能設(shè)計(jì)，界面設(shè)計(jì)，架構(gòu)設(shè)計(jì)，算法設(shè)計(jì)，系統(tǒng)評(píng)測(cè)。總之，每個(gè)產(chǎn)品特性導(dǎo)致不同的評(píng)估指標(biāo)，對(duì)于用戶滿足度不同的定義也帶來了不同的評(píng)估方式，并且不同場(chǎng)景、不同階段的推薦系統(tǒng)各個(gè)部分重要程度不同。

用戶不只追求更優(yōu)質(zhì)的商品，也會(huì)期待看到商品為自己帶來價(jià)值、便利性與獨(dú)特性。在積極打造更好的購物體驗(yàn)的同時(shí)，必須記住渠道策略并不是一體適用、能夠一招打天下。電商平臺(tái)上，每一名用戶可以采取的購買路徑就至少有10,000條。而根據(jù)內(nèi)部的數(shù)據(jù)分析，一般來說，85%的銷量會(huì)來自35條高流量路徑。

7. 回到電商

回到電商，好的電商推擠產(chǎn)品，需要圍繞商品更新，商品質(zhì)量，商品與買家的匹配程度，好的推薦產(chǎn)品遵循以下四點(diǎn)：

提升買家用戶的體驗(yàn)，提高選購決策質(zhì)量與效率實(shí)現(xiàn)優(yōu)質(zhì)買家的差異化服務(wù)；

提高商品的有效曝光機(jī)會(huì)與轉(zhuǎn)化率，提升賣家用戶的效果與效益；

利益均衡機(jī)制，均衡曝光機(jī)會(huì)，提升曝光商品及商家的覆蓋率；

提升買家留存率與賣家續(xù)簽率，提升買賣家的忠誠度，提升商品點(diǎn)擊機(jī)率。

瀏覽與成交之間存在著巨大鴻溝，好的推薦將幫助平臺(tái)挖掘消費(fèi)的深度，在各個(gè)特定場(chǎng)景下提升推薦轉(zhuǎn)化；拓寬消費(fèi)的廣度，提升推薦對(duì)物料的覆蓋，提升對(duì)用戶的覆蓋，各個(gè)場(chǎng)景的擴(kuò)充，做到淺層消費(fèi)到深層消費(fèi)再到擴(kuò)展消費(fèi)。

▌微觀

1. 整體維度

HEART模型：Happiness 愉悅度、滿意度、推薦度、感知易用性；

Engagement 沉浸度：使用頻度訪問頻次、頁面點(diǎn)擊、停留時(shí)長(zhǎng), 點(diǎn)擊 / 轉(zhuǎn)化等比率，為產(chǎn)品帶來點(diǎn)擊率、轉(zhuǎn)化、時(shí)長(zhǎng)、黏性的提升；

Adoption 采納性：新用戶率、客流量、退出率；

Retention ?用戶粘度：老用戶留存率、周回訪率、周訪問頻率；

Task Success 任務(wù)完成度。

2. 算法維度

準(zhǔn)確度評(píng)價(jià)指標(biāo)：

預(yù)測(cè)準(zhǔn)確度，分類準(zhǔn)確度，排序準(zhǔn)確度，預(yù)測(cè)打分關(guān)聯(lián)，半衰期效用指標(biāo), 準(zhǔn)確的用戶對(duì)商品的評(píng)分。

準(zhǔn)確度之外的評(píng)價(jià)指標(biāo)：

推薦列表的流行性和多樣性， 召回率，覆蓋率，新鮮性和意外性，用戶滿意度。

其它相關(guān)指標(biāo)：

用戶對(duì)算法準(zhǔn)確度的敏感度，算法對(duì)不同產(chǎn)品的普適性，廣義的質(zhì)量評(píng)價(jià)，個(gè)人隱私的保護(hù)，推薦系統(tǒng)的魯棒性等 具體上述幾個(gè)指標(biāo)的計(jì)算等，我們?cè)谕扑]系統(tǒng)的評(píng)價(jià)這一章展開。

3. 線上 & 線下指標(biāo)

1)?離線指標(biāo)與評(píng)價(jià)：mse 、rmse 、auc 、ndcg 、roc 等。

2)?線上指標(biāo)與評(píng)價(jià)：abtest 、ctr 、cvr 、gmv 等，一般通過 ABtest 來完成。

▌開始前，先問自己幾個(gè)問題

目前即將開始的推薦與產(chǎn)品核心是否一致，是否直接強(qiáng)化：PV / UV 、GMV ；是否與產(chǎn)品發(fā)展階段相符 (?用戶量、感興趣人群大小、頻度 ) ；是否有合理的性價(jià)比、投入產(chǎn)出比。推薦功能對(duì)該產(chǎn)品有無價(jià)值 ( 可以 ) ，價(jià)值多大 ( 值得 ) ，成本和收益 ( 現(xiàn)在 ) ，優(yōu)先級(jí) ( 怎樣 )??。

▌好的推薦系統(tǒng)迭代流程

首先需要明確產(chǎn)品線當(dāng)前需求，做好推薦系統(tǒng)定位。就優(yōu)化面來說：主要區(qū)分為是考慮做單產(chǎn)品局部?jī)?yōu)化，還是直接考慮全局優(yōu)化，平衡整體收益與各模塊內(nèi)部收益； 而從用戶維度區(qū)分定位，則可以區(qū)分高收益用戶與低收益用戶。

有了定位就可以確定推薦目標(biāo)了，從之前的介紹來看，我們可以選擇宏觀與微觀指標(biāo)，長(zhǎng)期與短期指標(biāo)來驅(qū)動(dòng)迭代。下一步就是方案選型，通過系統(tǒng)開發(fā)周期的限定下，明確重點(diǎn)，選擇合理的方案，并且預(yù)估一個(gè)合理的目標(biāo)值。開發(fā)過程中可以逐步明確相關(guān)流程，并做調(diào)整。推薦系統(tǒng)的優(yōu)化是一個(gè)逐步迭代的過程，這一過程中需要我們進(jìn)行效果的監(jiān)控，從而推動(dòng)策略的迭代。當(dāng)然可能在迭代過程中，我們推薦系統(tǒng)也會(huì)隨著產(chǎn)品發(fā)展調(diào)整目標(biāo)，也可能因?yàn)楫a(chǎn)品的相關(guān)原因，停滯或停止。

貫穿上述過程的整個(gè)流程，主要分為：

需求分析和用戶調(diào)研、功能設(shè)計(jì)、界面設(shè)計(jì)、架構(gòu)設(shè)計(jì)、算法設(shè)計(jì)、系統(tǒng)評(píng)測(cè)。

作者介紹：

姚凱飛，Club Factory 推薦算法負(fù)責(zé)人。碩士畢業(yè)于上海交通大學(xué)，前阿里推薦算法工程師，多年電商及視頻推薦經(jīng)驗(yàn)，目前在出海電商Club Factory負(fù)責(zé)推薦算法工作。

總結(jié)

以上是生活随笔為你收集整理的python推荐哪个系统好_什么是好的推荐系统?的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。