從0開始作互聯網推薦-以58轉轉爲例

從0開始作互聯網推薦【產品+算法+實現】

 

1、58轉轉簡介

58旗下真實我的閒置物品交易平臺

 

2、從0開始設計推薦產品框架

（1）首頁推薦：提取用戶畫像，根據線下提取出的用戶年齡、性別、品類偏好等在首頁綜合推薦寶貝

（2）寶貝詳情頁推薦：買了還買，看了還看類的關聯寶貝推薦

（3）附近推薦：和首頁推薦的差別在於，提升了地理位置的權重，地理位置不只要包含當前地理位置，還須要包含常見活躍區域，例如家裏、公司等

（4）搜索推薦：除了關鍵詞全匹配，要考慮同義詞、近義詞、易錯詞、拼音等推薦，產品層面，提示「你是否是想找xxoo寶貝」

（5）召回推薦：在用戶退出系統後，經過RFM模型作優惠券推送或者消息推送作客戶挽留與召回

 

TIPS：什麼是RFM模型？

RFM模型：根據用戶最近一次購買時間Recency，最近一段時間的購買頻度Frequency，最近一段時間的購買金額Monetary，加權獲得的一個表明用戶成交意願的一個分值。

 

3、從0開始進行推薦策略實現

【用戶畫像】

根據用戶填寫的資料、用戶歷史行爲（購買、收藏、喜歡、分享、評論、瀏覽等行爲）、微信背後的用戶畫像，獲得用戶的特性畫像：

年齡段 -> 推薦母嬰、3C用品？

性別 -> 推薦母嬰、美容保健用品？

手機型號 -> 推薦手機

活躍時間 -> 在這個時間段推送消息

品類偏好 -> 相關品類推薦

地域 -> 附近推薦

…

 

【如何構建畫像】

（1）讀取用戶安裝的應用程序列表構建畫像

裝有滴滴用戶端 -> 沒有車

裝有滴滴司機端 -> 有車

裝有CSDN -> 男性

裝有美柚、美顏APP -> 女性

…

（2）用戶行爲日誌

啓動日誌 -> 獲取活躍時段

經緯度 -> 獲取活躍地域

購買、收藏、喜歡、分享、評論、瀏覽-> 獲取品類偏好

第三方數據 -> 完善用戶畫像

 

【寶貝畫像】

58轉轉的寶貝都是非結構化的數據，比較難作統一的寶貝畫像，只能細分品類的作寶貝畫像，例如手機畫像等。

 

【如何構建寶貝畫像】

對於58轉轉來講，要作寶貝畫像必須細分類別，能夠分詞詞頻統計配合人工review的方式畫像，以鞋爲例，畫像可能爲

單鞋

純牛皮

尺碼

適合春秋穿

女鞋

價格及變更

包郵

 

【標籤化與個性化推薦】

畫像完成以後，如何對用戶進行寶貝推薦呢？

（1）給用戶和寶貝畫像完畢以後，要將每個用戶和每個寶貝打上標籤TAG

（2）統計用戶uid全部購買、收藏、喜歡、分享、評論、瀏覽的全部寶貝ID集合set<bb-id>

（3）統計這些寶貝ID全部對應的TAG，使用加權打分的方式，能夠根據頻次統計出對各TAG的喜愛程度

（4）對於全部寶貝，根據uid對各TAG的喜愛程度，使用加權打分的方式，能夠統計出對各寶貝的喜愛程度

（5）排除已經購買、收藏、喜歡、分享、評論、瀏覽過的寶貝，其餘寶貝按照打分高低推薦便可

（6）搜索推薦須要加上「搜索條件」，附件推薦須要增強「附近權重」

須要注意的是，個性化推薦的準確性，必定程度上依賴於歷史行爲數據的收集，對於新用戶，在缺少歷史行爲積累時，能夠推薦「熱度最高」的寶貝，將來再根據其歷史行爲，不斷加強推薦的準確率。

 

【分類預測推薦】

一個用戶對一個寶貝是否進行購買，能夠抽象成一個0和1的分類問題，也能夠抽象成一個購買機率的數學問題，能夠構造分類模型來計算用戶對每一個寶貝的購買機率，將機率最高的做爲推薦的寶貝。

爲了實現分類預測推薦，須要：

（1）準備訓練數據集，包含用戶、寶貝、用戶是否購買了寶貝等歷史數據，須要注意的是，數據集應當覆蓋儘量多的用戶（要包含全部TAG）和寶貝（要包含全部分類及TAG）

（2）構造訓練分類模型

（3）根據模型訓練的結果，計算每個用戶對每個寶貝某買的機率

（4）按照機率排序，對寶貝進行推薦

 

【協同過濾推薦】

協同過濾，用過的人都知道，不必定效果最好，但幾乎適用於全部的業務場景：當向用戶A作協同過濾推薦時，能夠先找到和他興趣類似的用戶羣體G，而後把G喜歡的、而且A沒有點擊過的寶貝推薦給A，這就是基於用戶的協同過濾。

爲了實現系統過濾推薦，須要：

（1）準備訓練數據集，根據每一個用戶對每一個寶貝的喜愛，構建喜愛矩陣（這是一個很是稀疏的矩陣），根據用戶對寶貝購買、收藏、喜歡、分享、評論、瀏覽的行爲量化這個喜愛

（2）構造系統過濾訓練模型

（3）針對每個用戶，根據模型給出其喜愛寶貝列表

在作協調過濾推薦時須要注意，較新的寶貝，因爲大部分人都沒有相關喜愛數據，因此使用協同過濾推薦時，新寶貝比較難被推薦上去，這是協同過濾的缺點，須要綜合其餘推薦策略來解決。

 以上內容均來自微信公衆號「架構師之路」胡劍老師的文章，歡迎關注。