隨著移動(dòng)互聯(lián)網(wǎng)的興起，用戶(hù)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(chē)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(hù)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(wèn)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(mǎi)過(guò)書(shū)，你可能會(huì)碰到這種情況，當(dāng)你選擇一本書(shū)放入購(gòu)物籃時(shí)，它會(huì)自動(dòng)給你推薦其它的書(shū)。比如：購(gòu)買(mǎi)過(guò)該書(shū)的人還買(mǎi)過(guò)XXXX，猜你可能還喜歡XXXX，組合推薦，購(gòu)買(mǎi)該書(shū)還有另外幾本書(shū)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(shuō)推薦系統(tǒng)就是研究用戶(hù)在平臺(tái)上的所有行為，對(duì)用戶(hù)進(jìn)行人物畫(huà)像，以及研究平臺(tái)上的內(nèi)容/產(chǎn)品。同時(shí)把用戶(hù)和產(chǎn)品匹配起來(lái)的過(guò)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(hù)端、文學(xué)網(wǎng)站、音樂(lè)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(guò)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(hù)體驗(yàn)較差。
通過(guò)推薦系統(tǒng)展現(xiàn)給用戶(hù)的內(nèi)容，都是用戶(hù)感興趣的，而且每個(gè)用戶(hù)看到的都不一樣，亞馬遜的CEO貝佐斯說(shuō)過(guò)，要讓1000個(gè)訪問(wèn)亞馬遜的用戶(hù)看到1000個(gè)不同的亞馬遜。
目前用戶(hù)的選擇非常多，可選擇的多樣性及時(shí)間的碎片化，用戶(hù)打開(kāi)手機(jī)，如沒(méi)能快速找到感興趣的內(nèi)容，很快就會(huì)離開(kāi)。
個(gè)性化推薦技術(shù)通過(guò)算法進(jìn)行用戶(hù)感興趣的內(nèi)容的精準(zhǔn)推薦，幫助用戶(hù)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(hù)粘性。
幫助用戶(hù)發(fā)現(xiàn)更多優(yōu)質(zhì)的長(zhǎng)尾內(nèi)容，一般平臺(tái)用戶(hù)訪問(wèn)的只局限在熱門(mén)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(méi)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(mén)的內(nèi)容總是得到更多的爆光，冷門(mén)的內(nèi)容從沒(méi)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(guò)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(hù)偏好算法，協(xié)同過(guò)濾算法（item_base，user_base）、關(guān)聯(lián)規(guī)則算法、聚類(lèi)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(hù)偏好算法算出來(lái)用戶(hù)感興趣的內(nèi)容/產(chǎn)品。然后推薦給用戶(hù)
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(jiàn)的應(yīng)用是組合購(gòu)買(mǎi)，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(hù)行為算出物品間的相似度，然后把與用戶(hù)看過(guò)的物品或者購(gòu)買(mǎi)過(guò)的物品最相似的物品推薦給該用戶(hù)。
聚類(lèi)算法可以根據(jù)用戶(hù)進(jìn)行聚類(lèi)，也可以對(duì)產(chǎn)品進(jìn)行聚類(lèi)。聚類(lèi)后可以針對(duì)大類(lèi)進(jìn)行推薦，或者繼續(xù)計(jì)算用戶(hù)類(lèi)和產(chǎn)品類(lèi)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(jiàn)的應(yīng)用是同類(lèi)推薦。
user_ba