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

編輯導(dǎo)語：如今這個(gè)大數(shù)據(jù)時(shí)代，可以根據(jù)你的興趣愛好、最近搜索、地理位置等進(jìn)行一個(gè)相關(guān)性推薦，提高轉(zhuǎn)化率；比如冬天，你平常喜歡在網(wǎng)上買買衣服，那系統(tǒng)就有可能給你推薦冬季的衣服；本文作者利用實(shí)例拆解了搜索中的相關(guān)性推薦，我們一起來看一下。

一、推薦在搜索中的作用

搜索與推薦是信息分發(fā)的重要手段，從用戶視角觀察，搜索更多是一種主動(dòng)行為，一般帶有用戶明確的查詢意圖；而推薦是一種被動(dòng)的行為，是在用戶“閑逛”的場景下，結(jié)合用戶歷史與偏好預(yù)測，給用戶安利可能感興趣的內(nèi)容。

某些時(shí)候，用戶的想法也是模糊的，比如昨天剛從視頻直播中看到了一款產(chǎn)品還不錯(cuò)，而此時(shí)用某寶搜索卻無法想起準(zhǔn)確的名字；這時(shí)在搜索中植入推薦功能可以幫助用戶更準(zhǔn)更快的查詢，甚至還可以幫助企業(yè)長尾的內(nèi)容進(jìn)行更多曝光。

一般搜索中的相關(guān)性推薦主要有以下幾種場景：搜索發(fā)現(xiàn)、信息流相關(guān)搜索詞推薦、無少結(jié)果推薦。

• 搜索發(fā)現(xiàn)出現(xiàn)在搜索第一屏，此時(shí)用戶還沒有輸入明確的query，通過用戶歷史偏好預(yù)測內(nèi)容進(jìn)而推薦給用戶；
• 信息流相關(guān)搜索詞推薦，出現(xiàn)在搜索結(jié)果頁，通常是在結(jié)果信息流的第10條內(nèi)容以后植入與用戶輸入的搜索詞相關(guān)的搜索同義詞、擴(kuò)展詞等，因用戶下滑很多條結(jié)果仍無點(diǎn)擊，那么可能當(dāng)前的搜索詞無法很好匹配用戶意圖，就引導(dǎo)用戶換個(gè)詞查詢；
• 無少結(jié)果推薦，是查詢的詞比較冷門、生僻，或搜索系統(tǒng)的數(shù)據(jù)內(nèi)容較少，沒有匹配到用戶查詢的相關(guān)內(nèi)容，這時(shí)避免用戶體驗(yàn)挫敗感，就需提供原始query相關(guān)的詞語（電商則可以直接推薦相關(guān)商品）引導(dǎo)用戶繼續(xù)搜索。

二、實(shí)例拆解：搜索發(fā)現(xiàn)

下來我們通過電商行業(yè)搜索中的“搜索發(fā)現(xiàn)”這個(gè)場景，拆解需求分析過程。

分析步驟基于以下思路：

• 確立目標(biāo)，在當(dāng)前需求背景下要達(dá)成什么目的；
• 確定輸入，梳理對(duì)需求策略能夠產(chǎn)生影響的因子；
• 設(shè)計(jì)策略，在給定輸入范圍內(nèi)通過怎樣的處理邏輯達(dá)成期望。

1. 目標(biāo)

搜索發(fā)現(xiàn)是在用戶還未給定明確意圖之前，希望幫助用戶減少輸入路徑，直達(dá)搜索結(jié)果；通常系統(tǒng)借助行為數(shù)據(jù)，預(yù)測用戶偏好，為其推薦可能感興趣的內(nèi)容，同時(shí)有機(jī)會(huì)曝光更多長尾商品。

從產(chǎn)品指標(biāo)上講，可以關(guān)注兩個(gè)維度：

• 業(yè)務(wù)轉(zhuǎn)化，即從搜索渠道帶來的用戶交易（搜索GMV/UV），考察功能對(duì)業(yè)務(wù)價(jià)值的助益效果；
• 點(diǎn)擊率，搜索發(fā)現(xiàn)模塊點(diǎn)擊量/曝光量，考察功能的用戶使用效果。

2. 輸入

搜索發(fā)現(xiàn)是基于用戶特征，系統(tǒng)推薦可能感興趣的搜索詞，因此影響策略的輸入因子就可以從用戶與搜索詞兩個(gè)維度著手。

用戶的維度，首先是基礎(chǔ)的靜態(tài)畫像特征，如人口統(tǒng)計(jì)學(xué)類的年齡、性別、婚姻狀況、居住城市等；其次，系統(tǒng)要利用用戶的歷史行為建模，在搜索場景下可以考慮上一次的搜索詞，以及最常瀏覽的頻道、收藏、加購的商品等衡量用戶喜好的指標(biāo)；另外，從交易特征考慮，可以看用戶的交易資格如是否會(huì)員、賬戶等級(jí)等，還可以參考RFM的思想，從近期交易、交易頻次、交易額度去考慮指標(biāo)影響因子。

搜索關(guān)鍵詞的維度，一般可采用搜索詞統(tǒng)計(jì)類特征如近期內(nèi)（一周/一月等）搜索次數(shù)/曝光次數(shù)/點(diǎn)擊次數(shù)最多的搜索詞；另外就是搜索本身的文本特征如TF-IDF、BM25分值等。

下圖是筆者整理過的一部分影響因子：

3. 策略

因搜索發(fā)現(xiàn)的前提需要有用戶數(shù)據(jù)，所以對(duì)訪問的用戶角色要按新戶、存量戶進(jìn)行分客群的處理邏輯。

1）新用戶

新用戶是推薦模塊常遇到的冷啟動(dòng)問題，這里的新用戶除了是缺乏行為數(shù)據(jù)的新注冊(cè)用戶，還包括以游客身份訪問的白用戶（諸如拿不到設(shè)備ID及設(shè)備ID無法匹配上身份的用戶）。

對(duì)于這類客群，常用的做法是提供一套由運(yùn)營人員配置好的關(guān)鍵詞作為兜底策略；另外亦可結(jié)合熱度算法提取搜索系統(tǒng)的熱門搜索點(diǎn)擊詞作為混合的推薦關(guān)鍵詞；當(dāng)然，還可以通過地域、季節(jié)等上下文信息設(shè)置一套推薦詞組合，比如進(jìn)入秋冬季推薦毛衣、雪地靴等搜索詞。

2）存量戶

系統(tǒng)對(duì)存量戶已經(jīng)有了一定的數(shù)據(jù)基礎(chǔ)，就可以通過常見的推薦召回算法如ALS算法、協(xié)同過濾等提取一批用戶可能有關(guān)聯(lián)的搜索詞（對(duì)于什么是ALS算法、協(xié)同過濾的介紹可以參考本文末尾的相關(guān)閱讀了解）。

算法召回的關(guān)鍵詞數(shù)量可以很多，而“搜索發(fā)現(xiàn)”模塊容納內(nèi)容有限，往往不超過10個(gè)推薦詞，對(duì)召回內(nèi)容合理排序就可以設(shè)計(jì)一套混合策略。

首先，通過ALS算法初步召回一批數(shù)據(jù)，接下來如果團(tuán)隊(duì)有條件的話，可以利用機(jī)器學(xué)習(xí)（比如GBDT+LR算法）建模，將用戶靜態(tài)屬性、行為屬性、交易屬性以及搜索詞的屬性作為特征，輸入模型進(jìn)一步獲取考慮了以上特征的精細(xì)排序結(jié)果。

其次，用戶的歷史搜索詞也很有用，在一段時(shí)間內(nèi)反應(yīng)了用戶關(guān)注的商品，那么就可以把用戶歷史搜索最靠近的三個(gè)query，借助協(xié)同過濾算法召回最相關(guān)的3~4個(gè)關(guān)鍵詞；這里對(duì)于“時(shí)間窗口”要做一些限制，對(duì)于超過這個(gè)時(shí)間范圍的搜索詞就可以停用丟棄，畢竟太久遠(yuǎn)的歷史搜索詞可能就已經(jīng)不是用戶當(dāng)前的心頭好。

另外，如果能加入實(shí)時(shí)反饋的邏輯就更好了，比如找商品系統(tǒng)對(duì)用戶有“加購”、“收藏”行為時(shí)，通過實(shí)時(shí)接口將商品告知搜索推薦系統(tǒng)，再利用協(xié)同過濾算法召回最相關(guān)商品的簡稱作為搜索詞推薦。

之后，把協(xié)同過濾召回的3~4個(gè)搜索詞與ALS等機(jī)器學(xué)習(xí)算法召回的排名前列的5、6條數(shù)據(jù)混排，進(jìn)行內(nèi)容去重后（內(nèi)容重復(fù)則繼續(xù)從ALS召回序列中往后取數(shù)），組成10個(gè)搜索詞隨機(jī)排列呈現(xiàn)給到用戶。

三、尾聲

以上就是“搜索發(fā)現(xiàn)”的案例拆解思路，對(duì)于其他相關(guān)性推薦在搜索中的應(yīng)用，流程也是類似的，只不過把用戶屬性換成了具有明確搜索意圖的query詞特征。

總的來說，搜索中應(yīng)用推薦其實(shí)無外乎兩個(gè)目的：讓搜索更準(zhǔn)、幫商品更多曝光進(jìn)而帶動(dòng)銷售。

然而我們有時(shí)候也常會(huì)聽到大家抱怨，為什么我都買過的商品，我來搜索的時(shí)候還給我重復(fù)推薦；事實(shí)上，做好搜索推薦仍然是一項(xiàng)比較復(fù)雜的任務(wù)，在技術(shù)和策略方面都可以結(jié)合業(yè)務(wù)不斷深入細(xì)化的。

相關(guān)閱讀：

圖解推薦系統(tǒng)

作者：策略伽；公眾號(hào)：策略伽

本文由 @策略伽 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議。