關于如何從0到1構建推薦系統的內容因為已經有很多了，在這里不做贅述；本文的內容主要聚焦于O2O情境下推薦如何從1到N的優化實踐。

2015年7月王興提出互聯網進入下半場，那O2O的下半場究竟是什么？通過1年多大公司的業務布局不難猜測，O2O行業下半場比拼的主要是兩方面：一方面拼的是排號、點菜、買單等服務的一體化集成，另一方面拼的是通過社區化和個性化進行精準導購，提升用戶粘性。

筆者曾先后在美團點評和螞蟻從事個性化推薦的相關工作，在這里講一講在推薦推薦優化過程中踩過的坑以及一些業務方面思考。

1 關聯性推薦優于因果性推薦

指標含義

先解釋一下兩個指標的含義：

關聯性推薦

是指用戶本身存在某個訴求，通過捕捉到該需求，并向用戶推薦相應的商戶。關聯性推薦進一步分為兩類：

1. 通過更便捷的路徑來滿足既存需求，比如識別到用戶已經在某個商戶，推薦系統將該商戶置頂，并且顯示可用優惠，縮短用戶出大路徑。
2. 將用戶打斷的需求重新撿起來，例如用戶近期搜索了“火鍋”，但是并沒有形成交易，那么推薦系統為用戶推薦火鍋的商戶。

因果性推薦

是指用戶本身沒有明確需求，推薦讓用戶無中生有的產生新的需求。

在學術界有個爭議就是“關聯性推薦”到底算不算推薦，因為他滿足的是既存需求，嚴格意義上并沒有創新新的需求，我個人的答案是yes，我們逆向來推，如果不做關聯性推薦，用戶雖然有既存需求，但是很有可能會流失，或者體驗上沒有這么流暢。所以我覺得不需要糾結在這一點，我們只需要在意用戶覺得推薦準不準，用的爽不爽。

關聯性推薦實踐

1）識別用戶所在商戶

如果用戶連接了wifi，很容易識別到用戶所在的商戶，然后將該商戶置頂，并且外露商戶優惠等信息。在所有的推薦策略里，該策略覆蓋面隨談小，但是轉化率最高。

還有一種方式，就是在商戶詳情頁增加一個功能，就叫“我想去”，用戶點擊這個按鈕之后，一段時間內，這個商戶就可以在首頁直接推薦，縮短用戶查看路徑。

2）識別用戶意向到店

通過多種行為方式的組合，可以猜測出用戶想去的商戶。設想如果你要約一個朋友去吃飯，你會怎么篩選商戶呢，一般路徑都是先搜索看到感興趣的商戶，然后點進去看詳情，包括查看地理位置、推薦菜，如果你點擊了商戶電話、收藏了商戶，或者將這家商戶分享到微信，那么你要去這間店的概率就更高了，最后再結合你的地理位置變化，就有極高的概率猜測出你要去哪一家店。

3）用戶的實時行為

在這里講述兩個概念，用戶的長期偏好和實時偏好，我們常說的用戶畫像一般都是指用戶的長期偏好，例如筆者的長期偏好是日料，但是可能因為最近喜歡一個妹子，但是妹子喜歡火鍋，所以我的短期偏好就是火鍋。而且通過實踐證明，用戶的偏好是會隨時間衰變的，實時偏好的數據更能表征用戶當下的需求，推薦效果也更精準。

實時偏好一般可以通過用戶的搜索、導航篩選或者用戶瀏覽來推斷，倘若用戶沒有形成交易閉環，比如購買團購、買單、排號等行為，我們可以假設他的需求沒有被滿足，可能是沒找到合適的店，也可能是需求被別的事情打斷了，這個時候我們將用戶實時偏好的商戶推薦給用戶轉化率往往比較好。

因果性推薦實踐

1）協同過濾算法

包含基于商戶的協同過濾和基于用戶的協同過濾，其實質就是中國人常說的“物以類聚、人以群分”，前者是根據你喜歡的商戶，為你推薦類似的商戶，后者是先找到與你口味相似的人，然后推薦他們喜歡的商戶。有很多文章講述二者的區別，這里不做展開贅述，唯一強調一點是，二者雖然推薦方式類似，但是推薦結果僅有50%左右是雷同的，因此在實踐中不一定非要二選一，可以將兩種策略結合使用，效果更好。

2）用戶長期偏好

這里的用戶偏好是指用戶的長期偏好，非實時偏好，識別出用戶的長期偏好后，為期推薦相應的商戶。

從實踐結果來看，關聯性推薦>因果性推薦>補余推薦(附近熱門、全程熱門)，而且關聯性推薦更容易讓用戶產生一種“推薦很準”的印象，因此建議構建推薦系統的時候，可以重點考慮關聯性推薦。

2 所有的喜歡都是熟悉+意外

在我做推薦之初，一直有個疑惑，就是什么才是好的推薦，當時咨詢了很多人，大家分成兩派，一派覺得好的推薦，就是向我推薦優質的但是我沒去過的商戶；另外一派覺得好的推薦就是向我推薦我熟悉的店，因為大家平時去的店相對都是固定的，推薦給我陌生的店，我也沒興趣。

這兩種意見都有自己的弊端，推新的內容，用戶不理解，勢必造成數據效果差，但是總是推用戶熟悉的東西，會形成馬太效應，越推越窄。

后來讀到一篇文章，講有一個音樂應用軟件，最開始設計算法的時候，是只推薦用戶沒聽過的音樂。但是在內部測試的時候，程序出現了一個bug，在給用戶推薦新的音樂之外，還錯誤地推薦了一些用戶已經聽過的、甚至很熟悉的音樂。這樣測試了一段時間，效果還不錯。后來程序員發現了bug，立刻改正了，讓程序只推薦新的音樂。結果發現，改正后的算法反而沒有原來的算法受歡迎。所以其實人們并不喜歡完全陌生的東西，并且總是希望能從新東西中發現點熟悉的元素。

?看到這篇文章，我豁然開朗，原來好的推薦就是在新奇和熟悉之間尋找一個平衡點，如何尋找這個平衡點呢，有幾種方式：

從人出發

統計用戶過去常去店鋪的重復度，如果重復讀很低，說明用戶相對更喜歡新奇的商戶，這時候增大新商戶的占比，反之亦然。

從場景出發

一般情況下工作日大家一般傾向于去近一點、熟悉一點的商戶，周末大家傾向于去探索一些新奇的商戶。

3 推薦理由是提升用戶信任的橋梁

向用戶推薦的商戶，尤其是對用戶來說陌生的商戶，推薦理由可以降低用戶的理解成本，提高信任感。加了推薦理由點擊數據不一定能提升(筆者通過AB測試，數據僅提升1%)，但是推薦理由能夠提升用戶的瀏覽體驗，明白推薦邏輯。以下是一些推薦理由的一些case：

• 好友推薦：Jason等x個好友推薦，最好將用戶親密度高好友名外露
• 名人推薦：歌手薛之謙開的店
• 媒體推薦：《星尚》頻道推薦
• 入選榜單：《美食與美酒》雜志評選2016 best 50餐廳
• 人以群分：與你口味相似的人都喜歡，摩登主婦都喜歡
• 用戶行為：您7天前瀏覽過的商戶

4 推薦的最高境界是讓用戶產生驚喜

驚喜是什么？Wiktionary的定義是：

An unsought, unintended, and/or unexpected, but fortunate, discovery and/or learning experience that happens by accident. 并未刻意尋找的，并未提前期待的，可又是幸運的且意外發現。

舉兩個我碰到的例子，一個是音樂：

有一些人可能遇到過這樣的一種場景，就是一直聽到一首很喜歡的歌，但是就是不知道歌名，然后在網易云音樂聽到以后會去評論說我這這首歌好久，終于找到了。網易云音樂專門去挖掘過這樣的評論，然后將這些音樂推薦給用戶，用戶自然就會產生很大驚喜感。

另外一個是kindle：

一天老大告訴我們，kindle太神奇了，他老婆在讀一本書，剛推薦給他，他就發現他的kindle也向他推薦了這本書，我們猜測kindle是通過兩人經常在晚上連接相同的wifi來猜測二者的家人關系，然后將一個人喜歡的書推薦給另外一個。

那么O2O推薦怎么創造驚喜感？以下是一些考慮的切入點：

1）他鄉遇故知：當用戶在陌生環境里的話，推薦其好友去過的店鋪，這一點在國外環境尤其適用，試想當你來到韓國首爾旅游，發現附近一家店你的好友曾經點評過，會不會產生一種“他鄉遇故知”的親切感；當然退一步直接推薦附近美食排行榜，同樣是適用的，會產生一定的驚喜感。

2）月是故鄉明：巧妙使用用戶的身份標簽，例如故鄉信息，Jason來自洛陽，我們那里的特色美食胡辣湯，這時候向我推薦附近的胡辣湯商戶，并且注明推薦理由，或者向我推薦洛陽人最愛的餐廳合集，我會很有感觸。

3）愛他之所愛：通過用戶連接wifi信息等，是可以判斷用戶的家人/朋友關系的，這時將家人/朋友喜歡的店推薦給另外一個人，是會讓用戶產生驚喜的，尤其是當兩人去同一家店的時候。

5 豐富推薦維度進行全方位命中

猜你喜歡式的個性化推薦，是普適性推薦，推薦邏輯很多都是黑盒的，對于用戶來講形式單一，趣味性不足。在推薦維度方面，做的最好的是某寶，光在推薦維度上有5種，在用戶分層和內容形態上互為補充，均取得了較好的效果。

按照用戶細分

用戶細分的方式一般有兩種：

1. 用戶消費能力，比如中高客單價的用戶群和低端客單價的用戶群；
2. 用戶分層，比如學生黨、辣媽、有車一族等，通過身份標簽來獲得認同，同時可以滿足較長尾的用戶需求

按照內容組織形式

內容組織形式包含3種：

1. 直接推店鋪或者優惠(點評猜你喜歡)
2. 通過UGC短評來推薦(某寶的有好貨)
3. 以及現在很流行的PGC文章來推薦(小紅書等)。

其中PGC一般較為專業，定位于中高端人群更合適。

作者：Jason（微信號liuzs0204），阿里巴巴資深產品經理，前美團點評搜索與推薦產品經理。

本文由 @Jason 原創發布于人人都是產品經理。未經許可，禁止轉載