最近參加了一場直播。主要講了個性化推薦算法及應(yīng)用場景?，F(xiàn)自己總結(jié)一下主講內(nèi)容，以備自己思考。有些地方個人也不是太理解，同時也想與大家交流溝通下。

一、影響推薦系統(tǒng)效果的主要因素

1. 優(yōu)化目標，怎么說呢目標結(jié)果是什么，是為了用戶還是為了商業(yè)目的。這兩者本身是存在矛盾的，為了不同目標怎優(yōu)化結(jié)果不一樣。就好比用戶喜歡吃瓜果蔬菜營養(yǎng)健康的綠色食品這樣有利于健康，但我們發(fā)現(xiàn)讓他吃大魚大肉最賺錢。
2. 基于用戶場景的推薦，比如說是晚上睡覺前看的，還是白天閑暇時看的，有一個時間段。再比如說上次觀看的終端是什么，是移動端或者是pc端，有一個上次觀看銜接的問題。還有一個就是地域問題。
3. 用戶體驗，主要是用戶對于系統(tǒng)的信任，用戶嘗新的成本，是否接受的問題，怎么嘗試一些好的手段讓用戶很貼心，很暖心，有驚喜的感覺。哎，發(fā)現(xiàn)推薦的都是我喜歡的，這個系統(tǒng)好了解我喲。具體做法舉例在下文“說服用戶接受這件事兒”闡述。
4. 直播場景的推薦（冷啟動問題）

二、推薦系統(tǒng)的優(yōu)化目標有兩類

1. 用戶—–相關(guān)性，多樣性。例如根據(jù)用戶瀏覽過的文章的主題詞，標簽，熱度，轉(zhuǎn)載，時效，相似度等等。用戶的特征性別，職業(yè)，年齡，興趣，定期點擊行為。
2. 平臺—–商業(yè)化變現(xiàn)。比如說開通原創(chuàng)的預(yù)先推薦，或者說有內(nèi)容合作的供應(yīng)商優(yōu)先等等因素。

三、推薦系統(tǒng)的服務(wù)對象

1. 用戶；用戶是為了能夠更方便找到他想看的東西
2. 平臺本身；平臺希望鏈接服務(wù)提供商，內(nèi)容提供商和用戶，他希望賺錢
3. 內(nèi)容提供商；內(nèi)容提供商更多露出，他在這個渠道上獲得的無論是點擊量還是品牌效應(yīng)，那么他可以通過一些方法變現(xiàn)。無論是廣告還是離線渠道的收買。

所以一個推薦算法要同事服務(wù)三個利益不同的相關(guān)方，這本身導(dǎo)致了一個矛盾性。所以會有一些糾結(jié)的地方，實際上由于他們的目的不。

四、推薦算法模型：

1. 協(xié)同濾波：就是相似的人給相似的內(nèi)容。怎么定義相似的人呢那就是之前的行為相同。
2. 矩陣分解法：基本原理是把用戶作為一個維度，然后建一個二維矩陣，把這個二維矩陣找到一個低緯的表示，這可能只有50或者100維，這個個數(shù)還是跟內(nèi)容一樣，所以每個內(nèi)容有一個100維的小表示，每個用戶也有一個100維的小表示。這兩個作為一個點擊，可以恢復(fù)出原來的東西。
3. 神經(jīng)網(wǎng)絡(luò)矩陣分解：基本原理把這個nade看成一個黑箱，級別讓你的想法就是用nade來訓(xùn)練一個用戶的表示和一個內(nèi)容表示，但是這個表示可以不像矩陣分解那么死，因為它結(jié)合的時候不再是一代數(shù)的點程，而是基于一個神經(jīng)網(wǎng)絡(luò)，實際上帶來了更多的自由度。唯一的差別就是表達能力增強了。

五、基于用戶場景的推薦，不同場景下算法選擇問題

1. 貨架場景—協(xié)調(diào)濾波，矩陣分解，CF-NADE
2. 自動播放場景—用戶行為軌跡

這個用戶場景比如說我在手機上看，和我在客廳里看，實際上對視頻的長短還有很多內(nèi)容會有不同，因為手機上有可能是在公共場合、辦公室，但是在家里可能就會稍微私密一些。還有時間，假如說我手機是早上看，家里面我是晚上看，也會不一樣。所以這些都叫所謂的上下文吧，就是場景信息。

實際上就對用戶做了一個切分，當用戶在這個組合場景底下的時候，所借鑒的歷史行為也是原來發(fā)生在這個組合底下的，這樣就不會出現(xiàn)晚上看了什么成人動漫，早上被推一個成人動漫的情況，因為實際上把用戶切成兩個了。但是這樣切分也是有風(fēng)險的，因為有可能這個人成天都喜歡看成人動漫。所以這個會把我們本來就比較稀疏的數(shù)據(jù)變得更稀疏。

但是發(fā)現(xiàn)對整個觀看時長的提升以及對廣告點擊率的提升還是比較顯著的，大概在4%左右，就是用AB測試得到的結(jié)果。

剛才主要在講watch，其實用戶在網(wǎng)站上還有其他行為，像Search、Browse、瀏覽，還有Rating，Rating比較少一點。

所以這幾類行為實際上用戶做的時候，如果把用戶整個生命周期，從他sign up開始到他退訂為止看成一個軌跡的話，那他做了一系列的事。

我們現(xiàn)在是說對每個用戶的軌跡做建模。剛才你如果想象是CF-NADE，就是說把用戶所有的行為當成一些個體扔到一個大袋子里面去，然后篩一篩，說統(tǒng)計上是怎么樣的。實際上它的時間順序已經(jīng)丟失了，里面用戶具體的動態(tài)也沒有考慮，如果根據(jù)用戶行為做這種模型time series model其實可以達到最好的效果。

六、說服用戶接受這件事兒

說服用戶這件事，因為剛才講得所有模型，其實最后就是一個展示，無論是用貨架的方法來展示，還是用自動播放的方法來展示。但是這個展示的有效性很大程度上是取決于你有沒有打動用戶，要打動用戶試圖給出一些推薦的理由，比如我們給這個用戶推了這個劇，我們會說是因為你看過他的前傳，這樣的話用戶會覺得，你確實是有道理的。還有一個增強用戶對系統(tǒng)的信任，如果你的系統(tǒng)是黑盒，扔出來一堆劇說看吧，那估計很難說服用戶。大家可以回想一下，在錄像店的體驗，如果是那種小店的話，你跟那個店主特別熟，他給你推一個張媛又拍了一個新片你可以看。你會知道，他真的知道你了解你，給你推這個東西，我們想達到的就是讓計算機能夠被用戶所信任。

還有一個展示的問題，要降低用戶嘗新的成本。因為用戶點進去，如果看了20分鐘發(fā)現(xiàn)這個片很爛的話，那這個體驗就比較差，浪費了20分鐘。我們怎么樣讓用戶快速的知道這個片到底適不適合他？我們做了一個自動壓縮的方法。
大家看到它有這樣一個下拉菜單，我們對于生成短視頻有三種不同的模式：

• 模式一：動作模式，我們會找短視頻里最激烈的片段。
• 模式二：indicative模式，我們會找對話比較多的片段。
• 模式三：對話比較多模式

寫在最后，用戶推薦系統(tǒng)是一個不斷調(diào)試，不斷優(yōu)化的過程。在此過程中尋找適合本公司商業(yè)模式和用戶喜好的個性推薦系統(tǒng)。本文寫的不是很細致，歡迎大家留言交流。

本文由 @penny 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。