基于用戶畫像，根據(jù)每個用戶使用路徑與個人偏好推薦內(nèi)容已經(jīng)成為內(nèi)容類產(chǎn)品常見的功能模式，也是提升活躍度與轉(zhuǎn)化率最有效的方式之一。

在之前的課程中，我們介紹了用戶畫像的定義、標簽體系與創(chuàng)建過程，本期課程則重點介紹幾種不同的推薦模式與優(yōu)缺點。

常見的推薦邏輯

根據(jù)用戶信息進行推薦，用戶進入產(chǎn)品后需要完善個人信息及選擇興趣標簽，系統(tǒng)根據(jù)用戶的個人信息（年齡、性別、地域）及所選興趣標簽與內(nèi)容匹配，推薦內(nèi)容標簽匹配度高的內(nèi)容。

這種推薦模式的優(yōu)點在于技術(shù)門檻低，由產(chǎn)品經(jīng)理自己設(shè)計一套推薦規(guī)則就可以實現(xiàn)。但缺點也很明顯，一方面用戶會不停收到相似的內(nèi)容，很難拓展新的關(guān)注點，另一方面，內(nèi)容生產(chǎn)商會根據(jù)推薦機制針對性設(shè)置內(nèi)容的標簽、關(guān)鍵字等信息，將低質(zhì)量的內(nèi)容推薦給用戶，造成用戶流失。

基于大數(shù)據(jù)的推薦模式

該模式的核心在于，通過建立較復雜用戶畫像模型，收集各種途徑收集用戶行為數(shù)據(jù)。根據(jù)用戶業(yè)務數(shù)據(jù)生成用戶畫像，計算用戶畫像相似度，對用戶畫像進行分組。通過內(nèi)容標簽與用戶畫像標簽離線計算推薦內(nèi)容。

該推薦模式主要包含用戶畫像建模、用戶畫像聚類、內(nèi)容標簽、內(nèi)容推薦四個階段。

用戶畫像建模

1、分析業(yè)務模型, 建立標簽體系, 確定標簽取值范圍

2、分析標簽值的數(shù)據(jù)來源, 按需收集數(shù)據(jù), 計算標簽值

3、存儲用戶畫像數(shù)據(jù), 并及時更更新

用戶畫像最終的結(jié)果是往往是?張表，每行為一個用戶的用戶畫像，存儲了用戶對應的每個標簽值。

例子：

用戶畫像聚類

選擇合適的聚類算法, 計算每個用戶畫像的相似度, 為用戶分組

常見的聚類算法:

層次化: 最近鄰方法, 最遠鄰方法, 組內(nèi)聚類法, 組間聚類法, Ward聚類法, 正?進制法, 粗聚類算法

劃分式: 圖論算法, K均值算法, 模糊C均值

基于密度和網(wǎng)格: GDILC 算法, SGC算法, GCHL算法, TFCTMO算法, ST-DBSCAN

其它: ACODF

該部分內(nèi)容由算法經(jīng)理主導，作為產(chǎn)品經(jīng)理不用參與。

內(nèi)容標簽

為了能把內(nèi)容推薦給用戶, 需要為每個內(nèi)容打上相應的標簽, 把內(nèi)容標簽化。

與用戶畫像類似, 需要根據(jù)業(yè)務目標來給內(nèi)容打標簽。

內(nèi)容推薦

主要有三種推薦方法。

1、協(xié)同過濾推薦方法

基于用戶的協(xié)同過濾: 用戶A喜歡A內(nèi)容, 那么跟用戶A類似的用戶B也喜歡A內(nèi)容

基于內(nèi)容的協(xié)同過濾: 用戶A喜歡A內(nèi)容, 那么同樣喜歡A內(nèi)容的用戶B喜歡的內(nèi)容B?用戶A也喜歡。

優(yōu)勢:

有效的使?用其它用戶的反饋信息, 提高準確度

基于用戶相似推薦可以發(fā)現(xiàn)?用戶的潛在興趣, 增加推薦的多樣性

劣勢:

用戶和物品存在冷啟動問題, 新?用戶新內(nèi)容沒有行為數(shù)據(jù), 所以無法做出推薦，可解釋性不穩(wěn)定, 因為不對內(nèi)容做分析, 所以無法根據(jù)深層特征和修改來推薦。

相關(guān)算法:

關(guān)系矩陣及矩陣計算：用戶關(guān)系 U-U 矩陣、內(nèi)容關(guān)系 V-V 矩陣、用戶-內(nèi)容 U-V 矩陣

基于記憶的協(xié)同過濾算法

基于模型的協(xié)同過濾算法：基于隱因子模型的推薦算法、基于樸素貝葉斯分類的推薦算法。

2、基于內(nèi)容的推薦方法:

用戶喜歡內(nèi)容A , 那么跟內(nèi)容A 類似的內(nèi)容B 用戶也喜歡

優(yōu)勢:

用戶間相互獨立獨立, 只依賴單人偏好

因為內(nèi)容類似, 所以推薦的內(nèi)容直觀上很容易解釋

新內(nèi)容不存在冷啟動問題, 因為只要內(nèi)容相似就能被推薦

劣勢:

對內(nèi)容標簽要求高

不利于挖掘用戶的潛在興趣

存在新用戶冷啟動問題

3、基于知識的推薦方法:

用大量的數(shù)據(jù), 訓練專家模型, 用專家來對用戶偏好推薦

混合推薦方法: 根據(jù)業(yè)務場景, 將以上方法進行混合, 優(yōu)化推薦結(jié)果。

并行：

加權(quán)式——對多個結(jié)果加權(quán)計算獲得最終結(jié)果

切換式——根據(jù)場景使用不同的方法

混雜——同時用以上兩種

串行：

層疊式——基于?個推薦結(jié)果再做?次推薦

級聯(lián)式——將?種推薦學習到的模型作為另?推薦的輸入

小結(jié)

基于大數(shù)據(jù)的推薦模式，可以有效實現(xiàn)"千人千面"的推薦模式，為用戶不斷輸送感興趣的內(nèi)容，并挖掘用戶潛在興趣點。

對于沒有使用的記錄的新用戶，則采用常規(guī)推薦模式，當有了記錄后根據(jù)用戶行為進行大數(shù)據(jù)推薦。

具體采用怎樣的推薦模式，則需要產(chǎn)品經(jīng)理根據(jù)產(chǎn)品特性結(jié)合企業(yè)的實際技術(shù)能力進行選擇。