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

隨著環(huán)境和技術(shù)的發(fā)展，現(xiàn)在，企業(yè)對(duì)推薦策略產(chǎn)品經(jīng)理需求逐漸涌現(xiàn)。那么，如何理解推薦策略，以及推薦策略產(chǎn)品經(jīng)理畫像？一起來看看本文的分享。

一、推薦策略

前文有提到，推薦策略是目前AI應(yīng)用最廣泛的場(chǎng)景之一，也是目前市場(chǎng)需求最大的產(chǎn)品經(jīng)理方向。那么，為什么會(huì)出現(xiàn)如此大的策略產(chǎn)品崗位空缺呢？原因還應(yīng)歸結(jié)于AI。

隨著5G、大數(shù)據(jù)的普及，用戶數(shù)據(jù)量的躍升導(dǎo)致人工標(biāo)簽、分類的成本升高、產(chǎn)品功能模塊細(xì)化，原有的自算法工程師轉(zhuǎn)入策略產(chǎn)品經(jīng)理的人選已經(jīng)很難滿足移動(dòng)互聯(lián)網(wǎng)時(shí)代對(duì)數(shù)據(jù)利用效率的需求，隨著產(chǎn)品場(chǎng)景的細(xì)化，更多C端的、具有用戶思維的推薦策略產(chǎn)品經(jīng)理需求逐漸涌現(xiàn)，推薦策略產(chǎn)品經(jīng)理崗位迎來了新一波的需求熱潮。

推薦系統(tǒng)應(yīng)用的標(biāo)志性事件：

這些標(biāo)志性事件的發(fā)生都基于一種需求：如何用推薦系統(tǒng)來實(shí)現(xiàn)爆炸性增長的信息與用戶不斷變化的興趣和需求之間的高效匹配。

1. 推薦系統(tǒng)興起的原因

1）時(shí)代的變化

10年起，移動(dòng)互聯(lián)網(wǎng)時(shí)代到來，4G普及、流量貶值，出現(xiàn)了以下三大問題：

1. 如何用推薦系統(tǒng)來實(shí)現(xiàn)爆炸性增長的信息與用戶不斷變化的興趣和需求之間的高效匹配；
2. 如何更好地挖掘用戶的個(gè)性化需求；
3. 如何更好地讓腸胃物料得到有效曝光。

2）數(shù)據(jù)的積累

移動(dòng)互聯(lián)網(wǎng)時(shí)代用戶隨時(shí)在線，產(chǎn)生了大量個(gè)人行為數(shù)據(jù)，通過埋點(diǎn)等技術(shù)可以收集大量用戶個(gè)人信息，推薦模型學(xué)習(xí)資料充裕，推薦效果更“準(zhǔn)”，其信息分發(fā)效率已經(jīng)超過了傳統(tǒng)模式。

3）技術(shù)的進(jìn)步

數(shù)據(jù)是AI的基礎(chǔ)，只有數(shù)據(jù)+算法才能max推薦系統(tǒng)的作用，10年后，算法工程師引入大規(guī)模機(jī)器學(xué)習(xí)框架，大幅提高了推薦系統(tǒng)模型分發(fā)的效率和效果，14年左右，深度學(xué)習(xí)在推薦系統(tǒng)開始落地應(yīng)用，進(jìn)一步提升了推薦效果。

4）算力的進(jìn)步

最新的GPU訓(xùn)練一個(gè)模型只需要3小時(shí)，而老GPU三天都不止！

總而言之，互聯(lián)網(wǎng)環(huán)境變化造成信息過載（人們被超過認(rèn)知極限的信息所包圍）和長尾問題（傳統(tǒng)人工運(yùn)維模式導(dǎo)致信息分發(fā)在各環(huán)節(jié)的轉(zhuǎn)化效率過低），而推薦系統(tǒng)恰好有效解決了這些問題。

2. 推薦系統(tǒng)概述

推薦系統(tǒng)，本質(zhì)是一種信息過濾系統(tǒng)，用來預(yù)測(cè)用戶對(duì)于物料的評(píng)分和偏好，建立用戶和物料之間的連接。其主要解決了信息過載與長尾問題（如前文）。

推薦系統(tǒng)中預(yù)測(cè)新鏈接就一定需要舊鏈接的輸入，對(duì)于所有機(jī)器學(xué)習(xí)模型，均要基于歷史數(shù)據(jù)學(xué)習(xí)，目前的核心模塊仍是CTR預(yù)估模型。

• 在電商領(lǐng)域，系統(tǒng)基于用戶購買、點(diǎn)擊、加購、收藏行為為用戶推薦相似商品。
• 在內(nèi)容場(chǎng)景，系統(tǒng)基于用戶瀏覽、點(diǎn)贊、分享、評(píng)論、收藏內(nèi)容為用戶推薦可能感興趣的內(nèi)容。

3. 推薦系統(tǒng)發(fā)展四階段

1.0階段 基于內(nèi)容的推薦

基于內(nèi)容標(biāo)簽與用戶興趣愛好標(biāo)簽的相關(guān)性判斷，沒有使用用戶的歷史行為數(shù)據(jù)，主要靠達(dá)標(biāo)、計(jì)算標(biāo)簽間的重合度進(jìn)行運(yùn)算。

2.0階段 協(xié)同過濾

基于內(nèi)容標(biāo)簽與用戶興趣愛好標(biāo)簽的相關(guān)性判斷，開始使用用戶歷史行為數(shù)據(jù)，通過用戶與物料的交互數(shù)據(jù)來評(píng)估物料之間、用戶之間的關(guān)聯(lián)度，而非僅依靠標(biāo)簽體系。

趨勢(shì)：自動(dòng)化、個(gè)性化、智能化

3.0階段 多路召回+精排

相比于前兩個(gè)版本有非常大的變化，主要有兩大變化：

1. 核心指標(biāo)變?yōu)镃TR：1.0與2.0的指標(biāo)實(shí)際是相關(guān)性指標(biāo)，此指標(biāo)為中間指標(biāo)。而在3.0階段，推薦系統(tǒng)加入精排環(huán)節(jié)，精排環(huán)節(jié)以CTR預(yù)估為核心目標(biāo)，并以預(yù)估的CTR作為最終排序參考，此時(shí)使用的機(jī)器學(xué)習(xí)算法主要為LR，GBDT。
2. 召回、排序環(huán)節(jié)拆分，召回架構(gòu)改為多路召回：1.0-2.0版本召回順序即為排序順序，在3.0版本，首先召回用戶初步感興趣的東西，在排序環(huán)節(jié)進(jìn)行CTR的預(yù)估，最后以預(yù)估值進(jìn)行排序。以電商為例。常見召回策略有高點(diǎn)擊率、熱銷、復(fù)購、高質(zhì)量分、Item-CF等。

4.0階段 深度學(xué)習(xí)+重排+樣式創(chuàng)意

全面應(yīng)用深度學(xué)習(xí)技術(shù)，精排后加入重排環(huán)節(jié)，模塊拆分細(xì)化、模塊策略精化。

4. 推薦系統(tǒng)整體架構(gòu)

以電商場(chǎng)景為例進(jìn)行介紹：

1）物料索引

APP內(nèi)有一個(gè)可以推薦給用戶的物料池，物料池存儲(chǔ)在數(shù)據(jù)庫中，為了便于查詢，我們需要提前構(gòu)建索引，尤其是在基于標(biāo)簽召回情況較多時(shí)。物料清洗和索引構(gòu)建是推薦系統(tǒng)的基礎(chǔ)工作。

2）召回層

初篩用戶可能感興趣的一些物料，進(jìn)入粗排和精排。

3）粗排層

粗排策略分為兩種：1.基于統(tǒng)計(jì) 2.基于模型，核心思想均為對(duì)各路召回的物料進(jìn)行再排序，再取物。

基于統(tǒng)計(jì)：對(duì)單一召回路的相關(guān)性分?jǐn)?shù)進(jìn)行歸一化和加權(quán)。

基于模型：用粗排的CTR模型預(yù)估召回點(diǎn)擊率，按照召回點(diǎn)擊率排序取物。

4）過濾層

通常把過濾層放在精排層之前，粗排層之后或者召回層之后，以減少算力、人力資源的浪費(fèi)。其主要作用是將最終不能在APP前端展示的物料過濾掉。

概念補(bǔ)充：SKU與SPU

SKU ：（Stock Keeping Unit / 存貨單位 ）：引申為產(chǎn)品統(tǒng)一編號(hào)的簡稱，如“iPhone-4GB（GPU）-256GB（內(nèi)存）-黑色”。

SPU：(Standard Product Unit)，標(biāo)準(zhǔn)化產(chǎn)品單元。是商品信息聚合的最小單位，是一組可復(fù)用、易檢索的標(biāo)準(zhǔn)化信息的集合，該集合描述了一個(gè)產(chǎn)品的特性，如iPhone。

5）精排層

中心任務(wù)是預(yù)估粗排層返回的前幾位商品的點(diǎn)擊率和曝光率，一般精排點(diǎn)擊率預(yù)估值為核心指標(biāo)。部分場(chǎng)景會(huì)考慮曝光率預(yù)估值。其與粗排層的模型核心差異主要有以下兩點(diǎn)：

• 差異一：模型訓(xùn)練樣本不一樣。正樣本都是用戶最終點(diǎn)擊的行為數(shù)據(jù)，但是負(fù)樣本完全不一樣。粗排的負(fù)樣本是召回層召回但是沒有點(diǎn)擊的物料，這些物料有可能都沒經(jīng)過曝光。精排層的負(fù)樣本是APP前端曝光但用戶沒有點(diǎn)擊的物料
• 差異二：模型復(fù)雜度完全不一樣。目前的CTR預(yù)估模型幾乎都是基于深度學(xué)習(xí)的DNN模型。由于粗排層主要用于初步篩選，所以推薦系統(tǒng)對(duì)于召回、粗排的性能要求高，時(shí)延TP99容忍度低（Top99%的網(wǎng)絡(luò)請(qǐng)求所需要的最低耗時(shí)），故而此處模型復(fù)雜度、高維特征較簡單，而對(duì)于精排模型TP99的時(shí)延容忍度更高，所以使用特征維度更多、網(wǎng)絡(luò)結(jié)構(gòu)更復(fù)雜。

6）重排層

從群居最優(yōu)角度微調(diào)物料順序，還會(huì)基于用戶體驗(yàn)和業(yè)務(wù)訴求進(jìn)行一些類目打散、同圖過濾和相關(guān)物料調(diào)權(quán)等操作，最終將至返回給APP前端。

7）APP前端

物料順序不再變化，進(jìn)行相關(guān)樣式和創(chuàng)意信息的補(bǔ)充，呈現(xiàn)樣式、風(fēng)格和創(chuàng)意信息，即UI設(shè)計(jì)。

8）特征服務(wù)

底層的基礎(chǔ)服務(wù)，內(nèi)有大量加工好的用戶特征、物料特征、場(chǎng)景特征等。

5. 常見效果評(píng)估指標(biāo)

• 電商場(chǎng)景：CTR、加購率、CVR、CTCVR、PGMV、多樣性、新穎性、停留市場(chǎng)、瀏覽深度
• 內(nèi)容社區(qū)：補(bǔ)一個(gè)互動(dòng)率
• 短視頻APP：補(bǔ)充人均視頻播放量、人均觀看時(shí)長、視頻有效播放量、視頻完播率等

二、推薦策略產(chǎn)品經(jīng)理畫像

如前文所述，一方面推薦系統(tǒng)模塊精細(xì)化，另一方面推薦系統(tǒng)應(yīng)用場(chǎng)景多樣化，原有的工作內(nèi)容不再適合算法工程師來承擔(dān)，為此，產(chǎn)生了推薦策略產(chǎn)品經(jīng)理的崗位，更多基于業(yè)務(wù)視角和用戶體驗(yàn)視角的C端產(chǎn)品經(jīng)理開始做推薦策略產(chǎn)品工作。

目前市場(chǎng)上主要有兩種推薦策略產(chǎn)品經(jīng)理：電商與內(nèi)容。