中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

你是否有這樣的體會：信息流推薦的內容我已經看過。這是由于推薦算法存在重復推薦的問題，那么，針對不同的信息流，是否有改善該問題的方法？

前段時間接觸了與推薦策略相關的工作，如今產品也順利走上“正確的道路”。關于常見推薦算法規(guī)則及原理，網上有很多不錯的相關文章，大家可以去搜索瀏覽。

下面主要聊聊推薦算法實驗和常見推薦算法優(yōu)缺點，以及內容重復推薦相關話題。

評測算法的方法

好的算法模型并不是一蹴而就的，而是不斷訓練慢慢打磨出來的。

那么，在打磨的路上如何評測推薦算法效果以及不同算法之間的優(yōu)劣呢？

這里有3種實驗方法供你參考。

1. 模擬實驗

模擬實驗主要通過用戶產生的行為日志，比如對該條內容進行瀏覽、收藏、點贊等用戶行為來生成推薦標準的數(shù)據(jù)集，再把數(shù)據(jù)集按規(guī)則分成“訓練組”和“測試組”，在“訓練組”上調教用戶興趣模型，在“測試組”上進行預測。

該實驗好處在于，不需要真實用戶參與，只需要從日志系統(tǒng)提取用戶行為數(shù)據(jù)就可以快速計算出推薦效果。但缺點是無法得知用戶真實轉化指標，比如推薦點擊率。

2. 用戶調研

監(jiān)控一批已體驗推薦相關的用戶，持續(xù)觀察分析用戶行為。

針對用戶行為羅列相關問題，在調研中進行詢問，最后根據(jù)問題及答案來了解推薦效果及滿意度。

值得關注的是，準確率高不等于用戶滿意度高，更應該留意一些由推薦產生的內容有沒有給他帶來一些“驚喜”，更多偏向于用戶主觀感受。

也正因如此，從行為觀察到問題歸納、用戶邀約、最后調研結果分析等，實驗調查流程及成本都比較高。

3. A/B測試

通過劃分用戶群，針對不同用戶群采用不同推薦算法，統(tǒng)計出不同用戶群體轉化指標生成測試報告，謹記該實驗唯一的變量就是算法規(guī)則，不允許有其它變量。

還有一點需要考慮清楚的是，滿足什么樣的條件用戶去跑測試流程，A/B測試缺點在于周期長，短期迸發(fā)的測試結果無法保證真實性。所以，該實驗適用于模擬實驗和用戶調研中效果比較好的算法模型，并不適用于跑所有算法，那樣效率實在太差。

一類算法只能解決一部分問題，單一的算法難以達到真正的個性化，還需要算法與算法之間打組合拳，接下來聊聊目前常見推薦算法一些優(yōu)缺點。

熱度算法

1. 優(yōu)點

能夠有效過濾掉低質量內容，呈現(xiàn)給到用戶都是大部分人都“喜歡過”的。對新用戶相對友好，無需產生任何交互也能產生推薦列表；不存在推薦列表為空的情況，并且熱度是相對的，熱點不會一直都是熱點，具有一定時效性。

基礎熱度分可以人為干預，比如，今天的熱點新聞基礎熱度分要比今天普通新聞的基礎熱度分要高。

2. 缺點

針對用戶層面精準觸達精確度不是很夠。

因為推薦列表是按熱度進行排序，并不是基于個人興趣喜好排序，單一的熱度算法可以被“刷榜”，因此要做好相對措施。

采用熱度算法典型例子：抖音

游客登錄瀏覽前面幾條視頻多數(shù)為近期熱度值為Top5內的，且上熱門推薦是需要經過多個熱度池大量用戶檢驗，最后還要人工審核才能上首頁推薦。

但不會持續(xù)超過1周，除非有大量的用戶進行模仿跟拍，反推用戶行為視頻熱度權重，用戶“跟拍”行為的熱度權重遠大于收藏、點贊及分享。

基于內容推薦算法

1. 優(yōu)點

對產品用戶體量沒有要求，不會因產品用戶數(shù)的大小影響到該算法。因為每個用戶產生行為相互獨立，用戶行為特征都是由自己的來決定，不存在干擾之說。

另外，該算法有較強的實時性，每當有一條新的內容就可以立馬“被推薦”，推薦機會和舊內容是一樣的，與時間新舊無必然聯(lián)系。

2. 缺點

無法為新用戶產生推薦列表，新用戶沒有歷史行為數(shù)據(jù)也無法預測。

當沒有用戶行為特征，無法與內容進行匹配推薦。所以，多數(shù)產品會利用注冊預填信息、首次登錄成功著陸頁的彈窗選擇等手段，并結合熱度推薦來進行冷啟動。

但要注意這些動作是否會過分地打擾到用戶，權衡用戶流失和推薦精準度問題。

其次，基于內容推薦確定性非常強，所有推薦的內容都是由用戶的瀏覽歷史決定。單獨使用該算法難以挖掘用戶的潛在興趣，所以該算法一般會與其他算法并存的原因也在這。

基于用戶協(xié)同算法

1. 優(yōu)點

在于能挖掘用戶潛在興趣，不斷調整給用戶制造驚喜。同時也有較強的實時性，有新內容同樣立馬能“被推薦”。

但與基于內容推薦差異在于，該算法除了平臺本身產生的新內容外，還包含了用戶交互行為所產生的新內容。

2. 缺點

啟動門檻相對較高，對產品用戶數(shù)以及平臺內容有一定數(shù)量要求，并且對用戶學習樣本要求也高，學習樣本書不足時推薦效果不理想，容易成為人工智障。

在KANO模型的需求分析上屬于興奮需求，所以在產品冷啟動時一般不會優(yōu)先考慮該算法。但在算法冷啟動時，應該主動調教用戶，如果能把用戶圈到不同推薦雛形，對該算法會有一定幫助。

最后聊聊關于重復推薦問題

推薦算法最根本的意義，在于解決信息過載。如果推薦給到用戶，是千篇一律的內容，那將毫無意義。

解決重復推薦可以從根源上壓制，比如“閱后即焚”，當用戶看過該條內容后即標記為已讀，已讀狀態(tài)的內容不再推薦給該用戶。

要定義清楚用戶產生什么行為才定義為“看過”，是點擊詳情頁就算，還是點開了“查看剩余全文”等行為，需要根據(jù)自身業(yè)務進行考慮。

上述的“閱后即焚”可以解決內容單條重復，但還無法解決同質化的問題。

以信息流產品為例，有A和B兩篇文章：

1）A和B屬于列表頁和詳情頁都一致的文章

對用戶而言只需要看A和B其中一篇就可以。所以，應該展示其中一篇適當?shù)膬热萁o予推薦，這里面的“適當”可以有兩個維度：如發(fā)文時間（過濾搬運）、發(fā)布者信息（如果是新聞機構號權威一般大于個人號）。

2）A和B兩篇文章屬于列表頁相同，但詳情頁不相同的情況

那么用戶點擊過A文章，短時間內大概率不會再看B文章。因為在用戶的視角，他認為A和B是重復的，所以會大概率錯過B文章，對于這類情況應該拉開推薦間隔。

3）A和B兩篇文章屬于列表頁不同，但詳情頁相同的情況

需要考慮用戶是否有“看過”其中一篇文章。如果看過A文就沒必要再推B文；但如果都沒有看過，那么可以進行推薦。因為列表頁的差異會影響用戶行為，一個標題一張封面都會導致用戶是否會查看文章，所以這種情況A和B都有推薦的必要性。

#專欄作家#

動物園園長，微信公眾號：首席吹牛官，人人都是產品經理專欄作家?；ヂ?lián)網圈十八線作詞人，國家一級退堂鼓表演藝術家。顏良而文丑，歡迎交流。

本文原創(chuàng)發(fā)布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協(xié)議