为什么越来越多产品需求做智能推荐系统?

684
8个月前
随着越来越多的信息,人们也是不知道什么信息最值得分享,现在出现了智能推荐系统。很多人都还不知道它用来是干什么用的,现在小编给你介绍一下这一款智能推荐系统

现在的各种app,各种信息泛滥到你也不知道哪里来的这么多软件。其实我们常用的就那么几个功能。学习网络营销技巧,还是要从内容入手,下面我们看看为什么会出现智能之推荐功能。

首要有以下两方面的原因:

(1)信息过载

互联网上每天都在发作海量的信息,用户想要灵敏和准确地找到他们感喜好的内容或产品越来越困难。假定用户的政策清晰,他可以运用查找(其实查找也是有关键字的举荐、举荐是无关键字的查找),但许多时分我们的用户是没有清晰政策的。这时分假定产品可以高效匹配用户感喜好的内容或产品,就能前进用户体验和粘性,获取更多的商业利益。

(2)长尾效应

绝大多数用户的需求往往是重视主流内容和产品,而疏忽相对冷门的许多“长尾”信息, 导致许多优秀的内容或产品没有机会被用户发现和重视。假定许多长尾信息无法获取到流量,信息出产者就会脱离渠道,影响渠道生态的健康发展。

二、智能举荐系统

举荐系统界说:举荐系统是人与信息的联接器,用已有的联接去猜想未来用户和物品之间会出现的联接。

举荐系统本质上处理的是信息,它的首要效果是在信息出产方和信息消费方之间建立起桥梁,然后获取人的注意力。

国际是一个数字化的大网,从人类角度来看里边只要两类节点:人和其他。万事万物有彼此联接的大趋势,比如:人和人倾向于有更多社会联接,所以有了各种外交产品;比如:人和产品有越来越多的消费联接,所以有了各种电商产品;比如:人和资讯有越来越多的阅读联接,所以有了信息流产品。

一个完整的举荐系统通常由以下部分组成:用户端前台展示、后台日志系统、举荐算法引擎。

 

个人制作的举荐系统架构图

前台展示:就是你在app或网页上看到的举荐、猜你喜欢、你的个性化歌单、常常一起购买的产品等部分展示的内容。后台日志系统:用户数据、用户行为数据、内容数据等日志数据采集、存储、清洗和剖析,然后建立画像系统,包含用户画像和物品画像。举荐算法引擎:各种算法模型、模型操练装备、举荐效果点评系统。建立举荐系统所需投入:

首先要建立团队,其间算法工程师是必不可少的,其时也是薪酬较高的;其次还要购置存储和核算资源,假定不是云产品你或许还要自己购置硬件设备;然后还有长时间的数据堆集和算法优化。

举荐系统是一个需求长时间持续投入的东西,从投入/产出比和时间本钱上来说,不要随便拍大腿就要做一个智能举荐系统。

怎样判别一个产品是否需求举荐系统?

第一,看看产品的意图。假定一款产品的意图是建立越多联接越好,那么它毕竟需求一个举荐系统。

典型的意图不是建立联接的产品就是东西类产品,单纯为前进人类某些作业的功率而存在,比如:AXURE、ERP……尽管现在许多产品都从东西切入想做成社区,但至少在东西特点很强时不需求举荐系统。

第二,看看产品现有的联接。假定你的产品中物品很少,少到用人工就可以应付过来,用户发作的联接不多,这时分不适合建立举荐系统。应该要有长尾效应才或许让举荐系统发挥效果。

三、举荐算法-协同过滤基本原理

举荐系统里最经典的算法非协同过滤莫属。协同过滤又称依据范畴的算法,核心在于协同,互帮互助。其又可以分为两类:依据用户的协同过滤算法(UserCF)、依据物品的协同过滤算法(ItemCF)。

(1)依据用户的协同过滤算法(UserCF)

当一个用户需求个性化举荐时,可以先经过用户的相似度核算找到和他有相似喜好的其他用户,然后把那些用户喜欢而他没有听说过的物品举荐给他,这种方法称为依据用户的协同过滤算法。

 

 

如用户A早年看过《流量池》和《原则》,用户B早年看过《添加黑客》和《原则》,当我们给B举荐时,举荐系统核算出A和B的相似度比较高,而A早年读过的《流量池》用户B没有读过,因此就将《流量池》举荐给B用户,这就是经典的依据用户的协同过滤。

由上面的描述可知,依据用户的协同过滤算法首要包含两个步骤:

找到和政策用户喜好相似的用户调集;找到这个调集中的用户喜欢的,且政策用户没有听说过的物品举荐给政策用户。(2)依据物品的协同过滤算法(ItemCF)

介绍依据物品的协同过滤之前,先来看下依据用户的协同过滤或许带来的问题。

用户数据量比较大时,需求核算的用户之间的相似度会比较多,核算量大。构建用户向量时是运用用户对已消费过的物品的评分/行为来构建的,用户的喜好是会随时间改动的,导致核算相似用户的频率较高。数据比较稀少,用户和用户之间有一起的消费行为实践上是比较少的,而且一般都是一些抢手物品,对发现用户喜好协助也不大。依据物品的协同过滤算法,给用户举荐那些和他们之前喜欢的物品相似的物品。

 

 

用户A、B和C别离喜欢的物品如图所示,则核算物品2与物品1的相似度的公式为:

物品2与物品1的相似度=一起喜欢物品1和物品2的用户数/喜欢物品1的用户数=2/3;物品3与物品1的相似度=0;物品4与物品1的相似度=1;假定对一个喜欢了物品1的用户D进行举荐,则举荐的优先级为4>2>3。依据物品的协同过滤算法首要包含的步骤:

核算物品之间的相似度;依据物品的相似度和用户的前史行为给用户生成举荐列表。以上仅仅协同过滤算法的基本原理,网络赢学习技巧在实践中的算法模型要远比这个凌乱,而且很少选用单一模型,基本是组合模型。我也是刚刚才开端做举荐系统,至于更为凌乱的矩阵分解、依据机器学习的举荐算法等后续我自己搞理解再独自成文同享给我们。

网络营销学习网:http://wlyx.shizhanzhe.com

申明:

1.本站遵循行业规范,任何转载的稿件都会明确标注作者和来源;

2.本站的原创文章,请转载时务必注明文章作者和来源,不尊重原创的行为我们将追究责任;

3.作者投稿可能会经我们编辑修改或补充。转载请注明http://wlyx.shizhanzhe.com/

分享

微信扫码分享给好友

×
分享按钮