个性化场景推荐并不神秘，带你读懂推荐计算模型

来源：笑声快车发布时间：2023-03-16 15:10

许多产品里都设置了推荐模型系统，比如结合推荐模型，购物平台可能会更知道用户更想要什么，从而让相关产品出现在用户浏览首页。那么，推荐模型是如何“起效”和“运转”的？个性化推荐，又有哪些存在意义？本篇文章里，作者便发表了他的看法，一起来看。

一款应用软件或系统设计，为了更好地迎合市场用户，一定逃离不了对用户的推荐模型，而推荐的目的是为了更好地解决用户痛点，触达用户目标，从而达到用户的留存，提高用户与产品之间的粘度，比如在日常购物场景中，打开同一款购物应用可能会遇到若干种情形：

和好友同时打开app后发现，为什么两个人首页各个频道入口的图片以及文字不一致？
为什么同样搜索相同关键词，你和好友竟然出现不一样的商品列表？
为什么我刚刚浏览了裤子以后，首页各个频道的展现变了？

一、购物平台是如何知道我需要什么？

是如何知道我喜欢什么并且可能想要买什么的？
为什么它能做到每个人都不一样？
为什么它要这么做？

从这里会产生一个机器人模型学习概念，机器学习就是将主体换为机器，并且它通过某种途径来获取知识或者技能的过程，并应用于未来的生活工作，人获取知识的外化载体是书本、音频、视频等，传输通道是人的感官，处理中心是大脑，而对应于机器外化载体也同样可以有以上各类信息源，并且使用各类外放设备收集信息，处理中心是CPU与存储共同维护。

一个是演绎法，一个是归纳法，这两种方法分别对应人工智能中的两种系统：专家系统和机器学习系统。

所谓演绎法，是从已知的规则和事实出发，推导新的规则、新的事实，这对应于专家系统。

专家系统也是早期的人工智能系统，它也称为规则系统，找一组某个领域的专家，如医学领域的专家，他们会将自己的知识或经验总结成某一条条规则、事实，例如某个人体温超过37度、流鼻涕、流眼泪，那么他就是感冒，这是一条规则。

当这些专家将自己的知识、经验输入到系统中，这个系统便开始运行，每遇到一些新情况，会将之变为一条条事实。当将事实输入到专家系统时，专家会根据规则或事实进行推导、梳理，并得到最终结论，这便是专家系统。

而归纳法是从现有样本数据中不断地观察、归纳、总结出规律和事实，对应机器学习系统或统计学习系统，侧重于统计学习，从大量的样本中统计、挖掘、发现潜在的规律和事实。

二、机器学习过程数据维度

可以大致推算出购物app为什么能够知道你喜欢什么，是基于一个假设条件的：一个人历史的购物行为及偏好，会在未来的行为中也有迹可循。

所以利用机器学习我们通过用户历史交互数据（特征包括：谁在什么时间买了什么东西，这个东西的名字叫什么，什么颜色，价格多少等等）。比较有用的可以对未来推荐有指导意义的特征包括：

1）购买力

一个平时只买100元左右牛仔裤的用户，未来短期内买10000元和10元的裤子的概率远远低于买100左右或者200左右的概率，所以推荐的时候会更优先给你看到100-200左右的裤子。

2）性别

平时在淘宝上只买男性或男女通用商品的用户，未来短期内买女性商品概率远远低于男性和男女通用商品的概率。

3）年龄

一个一直购买20-25岁左右服饰的用户，未来短期内购买其它年龄段的概率远远小于20-25岁年龄段的概率。

三、为什么能够做到每个人不一样？

根据学习逻辑归类，如果在机器学习阶段考虑一些跟人相关的因素（特征），那这个因素的不同值就会影响结果输出。

比如我们现在根据用户对他购物的商品的评分数据，来预测一个他从未买过的商品的评分，背后影响用户评分的因素可能包括以下几个：价格，售前/后，物流，商家主营类目是否和用户购买的类目相同，其它用户的评分（如果其他用户评分高则一定程度上代表了这个商品的好坏）等等。

比如物流和价格这类因素（特征），如果和用户这个特征做交叉后，其实会有非常迥异的权重值，而这一切是每个用户的购买力和用户体验耐受力等不同带来的。所以如果你考虑了用户的特征则这就会影响每个人的推荐结果不一样。

四、个性化推荐的核心使命

可以打破80%的用户只买20%的商品的规律，更好地降低长尾商品的比例，因为在电商产品中，在非个性化的商品展示过程中，往往爆款商品拥有更多的流量，这样其实不能很好的照顾到高质量长尾用户和高质量长尾商品。

举个例子，在淘宝的某个频道，有很多裤子，A裤子100元近5天的销量可能1w件，B裤子1000元近5天的销量是100件，在不考虑其它因素的情况下，非个性化模型（或运营排序）一般会偏向于A裤子在B裤子前面，但是如果这个用户在平台历史购物行为都是集中在高价格商品（名牌包包等），则如果你个性化的考虑每个人的这个偏好，那么有可能B裤子就在前面了，而且用户可能真的更喜欢B裤子。

上一篇：女子在高铁上... 下一篇：1000亿美元！...