隨著移動(dòng)互聯(lián)網(wǎng)的興起，用戶的很多行為逐漸從PC端轉(zhuǎn)向移動(dòng)端。人們花在手機(jī)上的時(shí)間越來(lái)越多。人們隨時(shí)隨地都在使用手機(jī)，在你坐車的時(shí)候，上廁所的時(shí)候，吃飯的時(shí)候，甚至在你走路的時(shí)候都在用手機(jī)，相對(duì)于PC端，移動(dòng)端的特點(diǎn)是屏幕窄，用戶使用的時(shí)間呈現(xiàn)碎片化。同時(shí)隨著信息量越來(lái)越大，人們很難從大量的信息中快速找到自己想要的內(nèi)容。這個(gè)體驗(yàn)是非常差的，如果你是產(chǎn)品經(jīng)理，如果你面臨同樣的問題，接下來(lái)要講的內(nèi)容希望對(duì)你有所幫助。
推薦引擎是什么？
如果你在亞馬遜上買過書，你可能會(huì)碰到這種情況，當(dāng)你選擇一本書放入購(gòu)物籃時(shí)，它會(huì)自動(dòng)給你推薦其它的書。比如：購(gòu)買過該書的人還買過XXXX，猜你可能還喜歡XXXX，組合推薦，購(gòu)買該書還有另外幾本書的組合可以享受一個(gè)優(yōu)惠的組合價(jià)格。這些使用的都是推薦系統(tǒng)，簡(jiǎn)單來(lái)說推薦系統(tǒng)就是研究用戶在平臺(tái)上的所有行為，對(duì)用戶進(jìn)行人物畫像，以及研究平臺(tái)上的內(nèi)容/產(chǎn)品。同時(shí)把用戶和產(chǎn)品匹配起來(lái)的過程。
推薦引擎的應(yīng)用范圍？
推薦系統(tǒng)在各個(gè)領(lǐng)域有廣泛的應(yīng)用，比如電商網(wǎng)站、視頻網(wǎng)站、視頻直播平臺(tái)、新聞客戶端、文學(xué)網(wǎng)站、音樂網(wǎng)站等等。下圖是推薦系統(tǒng)在著名電商網(wǎng)站、視頻網(wǎng)站的一些應(yīng)用案例及應(yīng)用效果。
為什么推薦系統(tǒng)能夠在各個(gè)領(lǐng)域得到廣泛的應(yīng)用？
通過目錄或者搜索的方式查找想要的內(nèi)容，在移動(dòng)終端較小的屏幕上可能需要多次翻屏，查找感興趣的內(nèi)容的成本很高，用戶體驗(yàn)較差。
通過推薦系統(tǒng)展現(xiàn)給用戶的內(nèi)容，都是用戶感興趣的，而且每個(gè)用戶看到的都不一樣，亞馬遜的CEO貝佐斯說過，要讓1000個(gè)訪問亞馬遜的用戶看到1000個(gè)不同的亞馬遜。
目前用戶的選擇非常多，可選擇的多樣性及時(shí)間的碎片化，用戶打開手機(jī)，如沒能快速找到感興趣的內(nèi)容，很快就會(huì)離開。
個(gè)性化推薦技術(shù)通過算法進(jìn)行用戶感興趣的內(nèi)容的精準(zhǔn)推薦，幫助用戶快捷發(fā)現(xiàn)感興趣的內(nèi)容，當(dāng)你看完一個(gè)內(nèi)容后，會(huì)立馬給你推薦相關(guān)的東西，可以增加用戶粘性。
幫助用戶發(fā)現(xiàn)更多優(yōu)質(zhì)的長(zhǎng)尾內(nèi)容，一般平臺(tái)用戶訪問的只局限在熱門的10%左右的內(nèi)容，很多內(nèi)容永遠(yuǎn)沉在數(shù)據(jù)庫(kù)中沒有人發(fā)現(xiàn)。
幫助平衡平臺(tái)的生態(tài)，避免馬態(tài)效應(yīng)，熱門的內(nèi)容總是得到更多的爆光，冷門的內(nèi)容從沒機(jī)會(huì)被關(guān)注，使內(nèi)容生產(chǎn)生態(tài)兩極分化。
推薦系統(tǒng)的架構(gòu)和核心的算法
下面以我之前做過的一個(gè)產(chǎn)品為例來(lái)講解，在架構(gòu)上，可能每家在做的時(shí)候會(huì)有些不同，但用到的一些核心算法，大家應(yīng)該是差不多的。具體怎么實(shí)現(xiàn)，產(chǎn)品經(jīng)理不需要關(guān)注這么細(xì)，只需要大概了解其中的原理就可以了。
推薦系統(tǒng)中常用到的算法包括用戶偏好算法，協(xié)同過濾算法（item_base，user_base）、關(guān)聯(lián)規(guī)則算法、聚類算法、內(nèi)容相似性算法（content_base）,以及一些其它的補(bǔ)充算法。最終分析出來(lái)的結(jié)果是以下幾種
根據(jù)用戶偏好算法算出來(lái)用戶感興趣的內(nèi)容/產(chǎn)品。然后推薦給用戶
根據(jù)關(guān)聯(lián)規(guī)則算法，算出物品間的支持度和置信度。最常見的應(yīng)用是組合購(gòu)買，啤酒和尿不濕是非常經(jīng)典的例子了。
item_base是根據(jù)集體用戶行為算出物品間的相似度，然后把與用戶看過的物品或者購(gòu)買過的物品最相似的物品推薦給該用戶。
聚類算法可以根據(jù)用戶進(jìn)行聚類，也可以對(duì)產(chǎn)品進(jìn)行聚類。聚類后可以針對(duì)大類進(jìn)行推薦，或者繼續(xù)計(jì)算用戶類和產(chǎn)品類之間的關(guān)系。
content_base是根據(jù)物品本身的屬性進(jìn)行關(guān)聯(lián)性運(yùn)算，計(jì)算出物品間的相似性，最常見的應(yīng)用是同類推薦。
user_ba