浅谈个性化推荐（偏电商平台）

2016-04-19 10:20:00

产品经理

（一）什么是个性化推荐？

1.1个性化推荐的定义

个性化推荐是根据用户的特征和偏好，通过采集、分析和定义其在端上的历史行为，了解用户是什么样的人，行为偏好是什么，分享了什么，产生了那些互动反馈等等，最终理解和得出符合平台规则的用户特征和偏好。从而向用户推荐感兴趣的信息和商品。

1.2个性化推荐的5个要素？

个性化涉及的五个要素：

生产者
内容
消费平台
消费者
反馈

生产者生产内容到消费平台，消费平台通过一定的规则将内容组织起来，消费者从消费平台使用该内容时的行为，会形成反馈。

消费者：即进入平台寻找内容的访问用户。
消费平台：提供内容供消费者访问的平台。如网站、APP等。
内容：由生产者生产，无内容不存在吸引用户去平台访问。个性化是以内容为根本基础，此为本质。
生产者：可以是用户担当（UGC）；亦可是由专业人士无偿生产（PGC），若是有偿生产则称为OGC。以UGC为代表的。如各大论坛、博客和微博站点，其内容均由用户自行创作，管理人员只是协调和维护秩序；以OGC为代表的。如各大新闻站点、视频网站，其内容均有内部自行创造和从外部花钱购入版权；而PGC则在上述两种类型的网站中都有身影，由于其既能共享高质量的内容，同时网站提供商又无需为此给付报酬，所以OGC站点和UGC站点都很欢迎PGC。
反馈：消费者在消费平台中，对内容的互动行为。如网易新闻app，在推荐栏中生产或汇集新闻资讯，并将其展示在客户端里。用户点击某条新闻，阅读详细内容时便形成了一则反馈。随后其点击某个顶部导航tag、添加或删除某个频道，收藏、离线或分享某一篇文章，重复点击某一篇文章等行为都可以看成是反馈。网易可以根据这些信息通过技术方法，一段时间之后便可以建立起该用户常规兴趣模型及近期兴趣模型。然后应用该模型进行试错，根据行为方差再进行调整，促使该模型不断上升，力求越来越接近用户的真实偏好。

1.3什么平台适合用个性化推荐的？

对于个性化推荐，内容是最根本的东西，巧妇难为无米之炊。在内容都不多的情况下，一定要清楚自己的产品所在的阶段是否具备个性化推荐系统的应用场景。

像爱奇艺、优酷、乐视等视频类app需要更齐全更优质的视频节目；

像网易新闻客户端、百度新闻客户端，需要新闻内容丰富和接地气、并且要及时性与公信力；

像酷狗音乐、QQ音乐、网易云音乐等音乐类app来说，固家之本还应该是音乐及MV的质量及数量。

像喜马拉雅电台、蜻蜓FM、考拉FM等电台类app需要更多高质量的PGC内容，以及质量管控的UGC；

像淘宝、京东、唯品会等电商平台，需要更多的商品种类、品牌、购买方式，以及对其质量、价格等的把控；

1.4与其他非个性化推荐的对比？

根据上述个性化推荐的基本信息，反向对比其他非个性化推荐的方式。我所理解的非个性化推荐主要有2种方式。用户订阅搜索、全局热度排名模式。

1.主动订阅和搜索：

属于主观行为。用户需要去主观判断和选择，行为相对比较“重”，导致体验不好。（成本高，即系需要花费精力去搜索、筛选排除，才能得到真正感兴趣的内容，并且不会动态根据用户的兴趣变化而变化）；

2.热门排名模式：

如比较单一的维度加上半衰期去看全局排名。比如，30天内点击排名，一周热门排名。虽然这也是符合热点属于新鲜，用户或许感兴趣。若只靠这种方式有个弊端，就是马太效应，点的人越多的，经过推荐点得人有更多。强者越强，弱者机会越少就越弱，可能导致两级分化严重，一些比较优质素材就被埋没了。

（二）个性化推荐的作用（电商平台）

对于一个电商平台，个性化推荐的作用应是相对而言，应分为用户侧、电商侧两方面去论述：

2.1用户侧

1.节省用户成本，提升用户体验

随着电子商务规模的不断扩大，商品个数和种类快速增长，用户需要花费大量的时间、精力才能找到自己想买的商品。尤其移动端互联网是当下趋势，可用户在移动端显得很没有“耐心”，体验会更不好。因此，给用户推荐个性化的内容，在短时间内抓住用户的”心“，能够帮助用户节省成本，让用户体验更爽。

2.2电商侧

1.促使浏览者转购买者

在电商网平台的访问用户，或许在浏览过程中并没有购买欲望，仅仅是为了无聊打发时间或者其他原因。而当个性化推荐能够向用户推荐他们感兴趣的商品，从而促成购买过程，达到盈利。

2.提高商品交叉销售能力

个性化推荐能够在用户购买过程中，向用户提供其他有价值或关联的商品推荐。用户能够从系统提供的推荐列表中，购买自己确实需要但在购买过程中没有想到的商品，从而有效提高电子商务系统的交叉销售。如买手机可推荐其关联商品：移动电源、耳机、手机壳等。

3.提高用户的忠诚度

个性化推荐系统分析用户的行为属性，根据用户需求向用户提供有价值的商品推荐。如果推荐系统的推荐质量很高，那么用户会对该推荐系统产生依赖。因此，个性化推荐系统不仅能够为用户提供个性化的推荐服务，而且能与用户建立长期稳定的关系，从而有效保留客户，提高客户的忠诚度，防止客户流失。

（三）个性化推荐的方式（电商平台）

对于不同的平台，个性化推荐的实现方式和侧重思考点会有所不同。针对电商平台方面，从初级到高级，在电子商务中有4种个性化方式。

3.1普通的账户数据

把用户简单地按照位置（地理位置或IP地址），性别，或者婚姻状况来分组。通过这种方式，你可以有效地提高用户对相关广告或促销的响应。很容易就可以做到给女性用户发一则关于胸罩的促销邮件而不发给男性用户，但这样就可以有效地增加与顾客之间的互动。

3.2同类商品的关联

电商行业也常常会使用到基于关联规则的推荐。即以关联规则为基础，把已购商品作为规则头，规则体为推荐对象。比如，你购买了羽毛球拍，那我相应的会向你推荐羽毛球周边用品。关联规则挖掘可以发现不同商品在销售过程中的相关性，提供相关商品的快速链接可以刺激其他产品的销售，也可以给购物经验丰富的用户提供更好的体验。

3.3近因、频率和货币价值

这3个点的分析简称为RFM，是一种可以更详细地了解用户数据的方式。通过这种方式，每一个客户都会拥有一个唯一的RFM值，该值通过如下三个问题来估算：

近因（Recency）:客户最近一次购买是如何发生的？
频率（Frequency）:客户多久购买一次?
货币价值（Monetary Value）:客户通常消费一次会花多少钱？

基于这种分析，当你想提高转化率或者使用户感到开心的时候，你可以决定在何时和发送什么内容给特定的客户。试想，当用户的旧牛仔裤已经快报废的时候，刚好收到一条促销信息，这是件多么令人兴奋的事情。客户会对你的个性化推送和及时性留下深刻的印象。

3.4协同过滤

最高级的电子商务个性化采用协同过滤的方式。协同过滤意味着整个电商网站可以实现对每个用户都是单独策划的。

协同过滤可以提示“看过这个商品的人也看过的商品”，“根据浏览记录推荐的商品”，或者“和当前商品相似的有库存商品”（对于售罄的商品而言）。像这样的个性化商品推荐可以促进销售也可以增加客户与相关的、有价值的产品之间的互动。他们可以突出不出现在搜索结果首页的好产品或者最火爆的产品。

这种方法可以推荐一些内容上差异较大但是又是用户感兴趣的物品，很好的支持用户发现潜在的兴趣偏好。也不需要领域知识，并且随着时间推移性能提高。但是也存在无法向新用户推荐的问题，系统刚刚开始时推荐质可能较量差。协同过滤成本很高且实现起来相对复杂。

（四）个性化推荐常见的问题与建议（用户角度）

4.1冷启动问题

新用户因为罕有可以利用的行为信息，很难给出精确的推荐。反过来，新商品由于被选择次数很少，也难以找到合适的办法推荐给用户——这就是所谓的冷启动问题。

问题建议：

利用用户注册或者初始进入APP，可以通过性别、年龄分别建立性别-商品相关表、年龄-商品相关表，然后将这两张相关表的商品列表按照一定权重相加，得到用户的最终推荐列表；

也还可以再做非个性化推荐补充，如热门排行榜、热门喜欢商品等；

4.2推荐内容的属性

个性化推荐的内容当然需要区分具体属性，但对于用户来说无非就是感兴趣的，无感的，以及不感兴趣的。那么问题来了，如何排定三者的展现比例呢，如何在展现个性化的兴趣的同时达到与新事物介入的平衡？

若7:0:0，肯定是不行的，那样只会将客户端越做越窄，而且用户也不希望自己固步自封，闭门造车，他们也渴望接触一些新鲜的事物，拓展自己的兴趣；

若6:1:0怎么样呢？感觉也不好，性感美女好看，但我不希望每天早上睁开眼你就给我看性感美女，因为这东西看多了也会厌烦。

若3:3:1也不行，一半以上的内容很可能都不是我的兴趣所在，那我会觉得图失望图忧伤。

那我建议是选择4:2:1会相对好，能在各个方面都相对平衡一些。

4.3用户场景挖掘和利用

深入挖掘用户的场景行为模式，有望提高推荐的效果。譬如说，新用户和老用户具有很不一样的选择模式：一般而言，新用户倾向于选择热门的商品，而老用户对于小众商品关注更多，新用户所选择的商品相似度更高，老用户所选择的商品多样性较高。如一些场景的建议，此处列举2种常见：

1.基于用户随时间变化的活跃性推荐

如在进行手机个性化阅读推荐的时候，如果曾经的数据显示某个用户只在7点基于用户随时间变化的活跃性推荐。到8点之间有一个小时左右的手机阅读行为(可能是上班时在地铁或者公交车上)，那么9点钟发送一个电子书阅读的短信广告就是很不明智的选择。从含时数据中还可以分析出影响用户选择的长期和短期的兴趣，通过将这两种效应分离出来，可以明显提高推荐的精确度。

2.基于位置信息的推荐

如预测用户的移动轨迹和判断用户在当前位置是否有可能进行餐饮购物活动等，同时还要有定量的办法去定义用户之间以及地点之间的相似性。如团购app向用户推荐近处的餐饮购物等等场所；但是，有时候在用户经常出没的地点，譬如工作地点、学校、住家等等进行推荐的效果往往是比较差的，因为用户对于这些地点比系统还熟悉，而且很难想象用户在上下班的路上会有特别地情致购物或者进餐。实际上可以预测的时空信息往往是商业价值比较低的，而用户在吃饭时间去了一个平常不太去的地方，往往有更大的可能是和朋友聚会就餐。这就要求系统更加智能，能够对用户当前行为所蕴含的信息量进行估计(要同时考虑时间和空间)，并且在信息量充分大的时候进行推荐。

4.4 用户朋友、社会推荐

用户更喜欢来自朋友的推荐而不是被系统“算出来的推荐”。最近有证据显示，朋友推荐也是淘宝商品销售一个非常重要的驱动力量。来自朋友的社会推荐有两方面的效果：一是增加销售(含下载、阅读……)，二是在销售后提高用户的评价。当然，在社会推荐方向存在的挑战主要可以分为三类：一是如何利用社会关系提高推荐的精确度，二是如何建立更好的机制以促进社会推荐，三是如何将社会信任关系引入到推荐系统中。社会推荐的效果可能来自于类似口碑传播的社会影响力，也可能是因为朋友之间本来就具有相似的兴趣或者兴趣相投更易成为朋友，对这些不同的潜在因素进行量化区别，也属学术研究的热点之一。