起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識個性化推薦理由是什么？實現方式有哪些？
平臺想要提高推薦內容的點擊率，根據用戶習慣進行個性化推薦是不錯的方式。如何做好個性化推薦理由？具體實現方式有哪些？本文作者圍繞推進理由進行了多方面的分析，對此給出了自己的看法。
APP：我們有很強大的推薦系統，我給你推薦的這個電影你肯定喜歡！
用戶：我為什么喜歡這個電影？理由呢？你蒙的吧你？
APP：我當然知道了，我是個性化推薦系統，我有很復雜的算法在運作的。
用戶：算法？你還是沒有給我理由。我不信任你，我不喜歡用你這個APP。
APP：……
個性化推薦系統是盡可能從海量的數據中挖掘出用戶喜歡的內容，滿足用戶的需求。這樣可以節省用戶的時間，幫助用戶進行過濾，捕捉自己感興趣的內容。
一個好的個性化推薦系統可以吸引更多的用戶并為公司創造持久的商業價值。當然前提是用戶信任你的推薦系統，將復雜的推薦算法通過簡單易懂的文字展示給用戶，用戶會更加信任給出的推薦。
一、推薦理由是什么
推薦理由，也稱作推薦解釋，簡而言之就是在推薦物品的同時給出理由。
圖1? ?推薦系統簡單架構
如圖1所示，在整個推薦系統中，推薦理由一般處于最后一個階段。
針對某個用戶，經過召回，過濾，排序階段，在最終給出推薦結果之前就可以給出各個被推薦出來物品的理由。
隨著移動互聯網的迅速普及，人們對推薦的要求越來越高，更多的人對于推薦系統推出的物品還希望知道為什么。
如圖2所示，分別是知乎、淘寶、拼多多、愛奇藝的推薦結果和理由的頁面。
圖2? 各大APP的推薦理由
在知乎推薦中，“程序猿、佛系青年”是關于作者的一些特征，“超過15W的用戶關注了TA”告訴用戶該作者發布的內容質量不錯；
在淘寶推薦中，“相關內容推薦”給出該篇功能文章的相關的一些內容文章，“相關推薦”則是推薦出一些跟該物品相似的物品供用戶選擇；
在拼多多推薦中，“寶寶洗浴護膚品暢銷前十”是告知用戶該物品是熱門物品，大家都在買你也可能想買；
在愛奇藝推薦中，“看了《隱藏人物》可能還想看”，“喜歡《斷箭（韓國）的人都和它有緣》”……
這些推薦理由都是根據用戶之前的行為給出的。
從這些典型的案例中我們可以簡單感受到，一個好的推薦理由確實可以給到用戶正反饋，拉進推薦系統和用戶的距離，將黑盒般的推薦算法透明化，達到事半功倍的效果。
二、為什么需要推薦理由？
在現實生活中，選飯店時候經常有朋友會問哪家好吃，我們在推薦的時候一般都會說：XX餐廳好吃，他家環境好，價格合適，服務員還非常熱情。這其實就是生活中的一種給出推薦理由的方式。
有了推薦理由的推薦比簡單給出一個推薦結果更讓用戶信服，更愿意去選擇它。
如果在互聯網的虛擬物品里，我們能夠做到跟現實中的推薦一樣在推薦物品的時候給出一個合適的推薦理由，就可以提高推薦系統的透明度，提升用戶的對推薦系統的信服度，進而提升用戶體驗。對于APP而言，可以更好的留住用戶，進一步擴大產品的盈利。
推薦理由存在的意義，就是為了更好的獲取用戶對推薦系統的信賴。為了設計一個合理的推薦理由，我們需要考慮如下表1所示的幾個設計目標：
目前大多數推薦系統還停留在只關注點擊指標，只要給出推薦物品就可以的階段，但是對于一些專業性比較強的垂直領域行業，比如金融、醫藥、風控等，給出推薦理由將會成為一種必要，給出專業性的解釋，對用戶更友好，更方便引導用戶。
不是所有人都是推薦系統方面的專家，對于用戶來說，他不光需要得到推薦結果，還需要知道為什么給他推薦該物品，通過這種方式才能使用戶更加認可和信賴該推薦系統。
三、推薦理由的實現方式
推薦系統是一個復雜的工程，包含很多功能模塊，首先是用戶行為獲取解析，然后經過從海量物品里召回部分符合個性化需求的物品作為推薦候選集，最后再進行過濾排序，給出最終推薦結果。
每一個功能模塊都會包含很復雜的算法，在推薦系統中還需要插入一個推薦理由的模塊，可想而知要做好不是一件簡單的事情。
推薦理由不同于嚴謹的推薦算法，它可以是有很強的因果關系，也可以是簡單的一個理由。
比如，因為你曾經看過A電影，看過A電影的大多數都喜歡B電影，所以我給你推薦B電影，這就是一種嚴謹的因果關系推薦解釋；
再比如，今天是國慶節，我給你推薦五星紅旗，這就是一個比較簡單的沒有很強因果關系的推薦理由。構建可解釋的推薦系統一般有以下幾種方式：
- 基于用戶的推薦理由，基于用戶相似的推薦，建立兩個用戶的關系，結合用戶畫像做推薦解釋。比如：你的好朋友A也看了這個電影；
- 基于物品的推薦理由，基于物品相似的推薦，建立兩個物品的關系，結合物品畫像做推薦解釋。比如：這個電影是你看過的電影A的同一個導演的作品；
- 基于召回方式的推薦理由，比如熱門召回：這個電飯鍋是熱門前十；
- 基于排序模型的推薦理由，比如LR模型：給出推薦的物品，可以選擇權重非0特征中從高到低的幾個特征作為推薦理由；
- 其他推薦理由，比如環境相關：你現在在成都，給你推薦XX麻辣小火鍋
四、推薦理由的機遇與挑戰
推薦理由作為推薦領域探索比較少的一個方向，目前工業級推薦里的推薦解釋還比較單一，還有很多方面值得探索和研究。
參考推薦理由相關的文章，一共歸納出三種可供研究的方向：
- 利用知識圖譜增強算法解釋能力。知識圖譜是推薦系統外部的一種可解釋非常高的載體。我們可以利用知識圖譜來打通物品、用戶和特征這三類媒介之間的關系，根據具體情況靈活選取最合適的媒介進行推薦解釋；
- 通用的可解釋框架?，F階段的所有可解釋性的推薦系統都是強耦合的，都只能適應當前的推薦系統。對于新興的模型或者場景，并沒有一個完全通用的推薦理由方案。如果能研發出衣蛾通用的可解釋框架，將會促進推薦可解釋性的快速發展；
- 結合機器學習模型自動生成推薦理由。目前的推薦理由還停留在需要人為預先設定的階段，如果有一個模型可以自動學習出帶有人類感情色彩的推薦理由，推薦理由的發展將會步入一個新的臺階。
本文由 @達觀數據 原創發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協議
贊，最近正在參與開發公司營銷平臺智能推薦引擎，重點能力第一項就是強可解釋性
??