起點(diǎn)課堂會(huì)員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會(huì)特權(quán)
個(gè)人IP打造特權(quán)
30+門專項(xiàng)技能課
1300+專題課程
12場(chǎng)職場(chǎng)軟技能直播
12場(chǎng)求職輔導(dǎo)直播
12場(chǎng)專業(yè)技能直播
會(huì)員專屬社群
榮耀標(biāo)識(shí)從用戶場(chǎng)景看什么是推薦系統(tǒng)
推薦系統(tǒng)的本質(zhì)是什么？使用場(chǎng)景有哪些？在本文中，作者對(duì)推薦系統(tǒng)展開分析，希望對(duì)你有所幫助。
一、推薦系統(tǒng)的本質(zhì)是什么？
很早很早之前，信息很少，我們的信息獲取和查找也很不方便，即便是有了電腦和互聯(lián)網(wǎng)，我們也極少采用“線上解答”的方式，我們憑借以往的經(jīng)驗(yàn)，快速獲取自己的目標(biāo)信息。
慢慢的信息量變大了，我們需要分類來(lái)協(xié)助我們查找信息，這時(shí)出現(xiàn)了門戶分類網(wǎng)站；再后來(lái)，信息過(guò)載了，分類也無(wú)法幫助我們快速獲取信息，搜索引擎出現(xiàn)了，我們可以直接輸入自己需要的內(nèi)容，搜索引擎就會(huì)列出“可能需要”的內(nèi)容給我們。
隨著互聯(lián)網(wǎng)的發(fā)展，我們從信息匱乏進(jìn)入到信息過(guò)載的時(shí)代。信息需求者需要快速在海量信息中獲取自己的目標(biāo)信息，信息提供方需要幫用戶過(guò)濾掉無(wú)關(guān)的干擾信息，讓用戶真正關(guān)心的內(nèi)容脫穎而出，在這種雙向需求下，就有了推薦系統(tǒng)。
對(duì)用戶而言，推薦系統(tǒng)不需要用戶提供明確的目標(biāo)。
對(duì)物品而言，推薦系統(tǒng)解決了二八現(xiàn)象，讓小眾的物品也有機(jī)會(huì)展示到可能需要它們的用戶面前。
二、推薦系統(tǒng)的使用場(chǎng)景
推薦系統(tǒng)隨處可見，也無(wú)處不在。拿幾個(gè)常規(guī)的場(chǎng)景舉例：
你是個(gè)剁手黨，要買買買才能感到幸福，總有些時(shí)候你也不知道要買什么，可就是想買，淘寶首頁(yè)往下拉，有個(gè)「猜你喜歡」
你是個(gè)充滿文藝細(xì)胞的音樂(lè)發(fā)燒友，要聽點(diǎn)音樂(lè)才能睡覺(jué)覺(jué)?？墒墙裉炷阌悬c(diǎn)郁悶，你沒(méi)有點(diǎn)開你的個(gè)人歌單，你不知道要聽些什么，你停留在首頁(yè)，點(diǎn)開了系統(tǒng)為你精心準(zhǔn)備的「推薦歌單」
你畢業(yè)了，來(lái)到深圳，接到了第一通面試電話。你很興奮，盡管對(duì)這個(gè)城市一無(wú)所知，可是這通電話卻代表了深圳歡迎你，你迫不及待的打開了地圖，你輸入了起點(diǎn)和終點(diǎn)，想看一下公司和自己距離，系統(tǒng)推薦了幾條路線給你。
如果你不滿意這個(gè)推薦結(jié)果，你不想坐地鐵，你想坐公交，你想順道看看這個(gè)個(gè)城市。你可以通過(guò)點(diǎn)擊「推薦路線」按照你自己的意愿進(jìn)行選擇，選擇「不坐地鐵」或其他。
你覺(jué)得無(wú)聊，打開了微博，想看看大家現(xiàn)在都在關(guān)注些什么，你點(diǎn)開了搜索框，看到了「微博熱搜榜」。
你熱愛美食，那一定不能錯(cuò)過(guò)的就是大眾點(diǎn)評(píng)。
今日頭條就不用多說(shuō)了，你和我和他看到的內(nèi)容都不一樣。
猜你喜歡、推薦歌單、推薦路線、熱搜榜單、美食推薦、頭條推薦這些都是推薦系統(tǒng)的輸出內(nèi)容。
這里要注意的是推薦系統(tǒng)和搜索引擎是兩種東西，有人會(huì)誤以為百度就是一種推薦系統(tǒng)，因?yàn)樗蚰阏宫F(xiàn)了信息列表，也為你推薦了你可能感興趣的內(nèi)容（右側(cè)），實(shí)際上搜索引擎是包含了推薦系統(tǒng)的，且推薦系統(tǒng)不需要明確的目標(biāo)，搜索引擎需要。這里用兩個(gè)具象的例子來(lái)說(shuō)明一下：
舉例1：你進(jìn)入某電商產(chǎn)品首頁(yè)，就會(huì)有一些展示的商品即結(jié)果，但是你在搜索引擎的頁(yè)面，除了大大的輸入框和廣告，沒(méi)有結(jié)果。
舉例2：你在某搜索引擎輸入關(guān)鍵詞A，得到搜索結(jié)果列表B，右側(cè)內(nèi)容推薦列表C。B和C的出現(xiàn)和排列，都屬于推薦策略的一種。
三、推薦系統(tǒng)存在的意義
1、降低信息過(guò)載
信息爆炸時(shí)代，羅列所有的信息，等同于給用戶添麻煩，因?yàn)橛脩舾緹o(wú)從下手。而且信息的利用率也會(huì)十分低下。需要推薦系統(tǒng)幫助用戶篩選信息，過(guò)濾掉相關(guān)度低、完全不相關(guān)的信息、價(jià)值低和用戶不感興趣的信息。
2、發(fā)掘長(zhǎng)尾
經(jīng)濟(jì)學(xué)有個(gè)非常出名的理論，叫做長(zhǎng)尾理論（The long tail）。大意說(shuō)的是：受一些因素的影響，人們通常只關(guān)注到頭部的信息，也就是最熱的一小部分資源受到絕大部分人的關(guān)注，剩下的絕大部分資源卻鮮有人問(wèn)津。當(dāng)某些限制因素慢慢變寬松，消費(fèi)者可以根據(jù)興趣喜歡選擇目標(biāo)資源，幾乎任何以前看似需求極低的產(chǎn)品都有機(jī)會(huì)展現(xiàn)在用戶面前。
推薦策略即是如此，通過(guò)發(fā)掘用戶的行為，找到用戶的個(gè)性化需求，從而將長(zhǎng)尾商品準(zhǔn)確地推薦給需要它的用戶，幫助用戶發(fā)現(xiàn)那些他們感興趣但很難發(fā)現(xiàn)的商品，讓很多口味偏小眾的用戶找到自己感興趣的內(nèi)容，而不是千篇一律的瀏覽大熱門。
3、幫用戶找答案
一部分用戶需要借助一些智能推薦算法幫自己更快、更準(zhǔn)確的獲取信息，一部分用戶根本不知道自己要什么，需要你來(lái)告訴他。舉個(gè)例子：
你餓了想買點(diǎn)吃的，出門走到一個(gè)超市，超市很大，有三層，你懵了。你要考慮兩個(gè)問(wèn)題：①吃的在哪 ，②你吃什么，這兩個(gè)問(wèn)題都很關(guān)鍵。
這個(gè)時(shí)候?qū)з?gòu)A走過(guò)來(lái)告訴你，上二樓零食區(qū)和熟食區(qū)。到二樓你依舊不知道要吃什么，這個(gè)時(shí)候?qū)з?gòu)B走過(guò)來(lái)告訴你，今天的麻辣牛肉做促銷，免費(fèi)品嘗。
你嘗了一下，還不錯(cuò)。導(dǎo)購(gòu)C手上拿了兩瓶牛奶向你推薦。于是，在你完全不知道買什么，且沒(méi)有特殊要求的情況下，你買了牛肉和牛奶。
在這個(gè)例子里，A是商場(chǎng)的推薦系統(tǒng)，B和C是商品的推薦系統(tǒng)。
4、提高用戶轉(zhuǎn)化率
當(dāng)你的產(chǎn)品可以很好的滿足用戶的需求，提供更好的選擇、幫助用戶進(jìn)行決定、減少用戶的決策時(shí)間，用戶不僅會(huì)多次訪問(wèn)站點(diǎn)，轉(zhuǎn)化率也會(huì)得到很好的提升。
最直接的例子就是淘寶，為什么總有人剁手剁手又剁手，卻還是忍不住要淘寶。
你買完了A，淘寶為你推薦了B，你一想：是啊，我缺，我缺，我都缺。我買，我買，我都買。
5、深度了解用戶
每當(dāng)系統(tǒng)推薦的物品成功引起用戶的注意甚至是喜愛和購(gòu)買，不僅是用戶越來(lái)越喜歡你，用戶在你眼里的畫像也越來(lái)越清楚。
舉個(gè)很俗的例子，一個(gè)多人互動(dòng)小游戲《你畫我猜》，A不斷的從B身上獲取正確的信息，從而在自己的腦海中一步步形成答案的畫像。
推薦系統(tǒng)就是將用戶在清晰化的過(guò)程?？赡?，你會(huì)發(fā)現(xiàn)，到最后，最了解用戶的不是她的男朋友，是你。最典型的就是今日頭條了，通過(guò)用戶的行為、興趣標(biāo)簽、信息的時(shí)效性和熱門程度為不同的用戶展現(xiàn)不同的信息，這種服務(wù)可以讓擁有各種各樣需求的用戶都能在自家平臺(tái)上得到滿足。
四、推薦系統(tǒng)的推薦算法
實(shí)際上，推薦算法早在1992年就有了，實(shí)際上火起來(lái)是最近幾年。那個(gè)年代信息傳遞也偏傳統(tǒng)，信息量就有了，實(shí)際上火起來(lái)是最近幾年。那個(gè)年代信息傳遞也偏傳統(tǒng)，信息量也少，這個(gè)時(shí)候火起來(lái)一是基于互聯(lián)網(wǎng)，二是基于大數(shù)據(jù)。在整個(gè)推薦算法的發(fā)展過(guò)程中，有過(guò)各種各樣的算法，到現(xiàn)在依然有很多。但是不論怎么發(fā)展和演變，如何復(fù)雜，推薦的基本條件是不變的：
- 根據(jù)你的關(guān)鍵詞推薦
- 根據(jù)你的歷史行為推薦
- 根據(jù)你喜歡的物品A向你推薦和它類似的B
- 根據(jù)和你有共同喜好的人來(lái)推薦
- 根據(jù)以上幾種條件的組合進(jìn)行推薦
基于以上條件，推薦的算法大致可以分為以下幾類：
- 基于流行度的算法
- 協(xié)同過(guò)濾算法
- 基于內(nèi)容的算法
- 基于模型的算法
- 混合算法
這里必須要說(shuō)一點(diǎn)，最影響用戶體驗(yàn)的不是算法多牛逼，而是你采用了什么樣的推薦算法，很多人容易掉進(jìn)一個(gè)坑里：是用協(xié)同過(guò)濾算法還是基于內(nèi)容去推薦？
推薦系統(tǒng)的本質(zhì)在于加強(qiáng)聯(lián)結(jié)，發(fā)揮信息的最大價(jià)值，給用戶源源不斷發(fā)現(xiàn)新信息的機(jī)會(huì)。選擇哪種推薦算法取決于產(chǎn)品本身的定位和特征，比如頭條就是基于物品的協(xié)同過(guò)濾算法，淘寶是基于用戶的協(xié)同過(guò)濾算法，雖然都是系統(tǒng)過(guò)濾，結(jié)果卻大不一樣。
再比如，如果你采用的是基于用戶的協(xié)同過(guò)濾算法，如果用戶的數(shù)據(jù)特征不清晰，而且用戶行為又集中而稀疏，那就意味著你只能依賴更多的內(nèi)容了，或者是參照豆瓣，讓用戶來(lái)打標(biāo)簽。
本文由 @?燒包鹿 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。
題圖來(lái)自u(píng)nsplash，基于CC0協(xié)議
“這里必須要說(shuō)一點(diǎn)，最影響用戶體驗(yàn)的不是算法多牛逼，而是你采用了什么樣的推薦算法，很多人容易掉進(jìn)一個(gè)坑里：是用協(xié)同過(guò)濾算法還是基于內(nèi)容去推薦？”這句話的本意是“用戶協(xié)同算還是內(nèi)容協(xié)同算法”是這樣嗎？