推荐系统存在必要性
流量利用
流量的四个特点: 稀缺性, 在流量红利退去之后, 部分市场近似零和游戏, 获取流量成本不断增加; 不确定性, 引入用户后如何判断用户来到该网站的意图, 以便进一步针对性的营销活动, 满足用户需求并提高用户体验; 差异性, 基于用户个性, 所处情境不同; 连通性, 影响流量的流转效率;
流量成本:
- 外部成本, 将用户从站外拉到站内所需成本, 即获客成本, 包括广告, SEO, SEM, 促销等;
- 内部成本, 流量引入站内后, 会占用其他页面的收益;
推荐解决搜索无法解决的问题:
- 意图无法用搜索表达;
- 用户处于一种逛的心态;
- 用户意图不等于用户需求;
差异性 体现在购物意图不同, 消费水平不同, 品牌调性偏好不同, 兴趣爱好不同;
长尾挖掘
与二八原则相对立, 分歧在于 20% 的头部供给是否满足大部分人的需求;
长尾理论, 对资源进行最优的匹配和利用, 使各种资源的价值最大化;
用户体验
内容是一个网站的核心;
从用户主动获取信息的角度来看, 搜索和分类是获取内容的主要渠道;
基础体验, 做不好会骂你, 做好了也不会夸你;
推荐体验/增量体验, 做不好会莫名其妙, 做好了会有意外惊喜;
技术储备
拿来型技术, 从零开始上手的难度低;
积累型技术, 需要足够多的项目, 足够复杂的场景磨炼;
推荐的产品问题
推荐什么东西
可以推荐商品(最小粒度的内容), 运营活动, 促销活动, 搜索词(搜索提示);
非普适性特点的内容均可以做推荐;
为谁推荐
消费型用户, 生产型用户;
推荐系统的目的是把合适的内容匹配给合适的内容使用者;
推荐场景
用户当前所处的位置
用户的历史位置
马尔科夫链, 用户在网站上的一系列行为定义了他当前所处的场景, 所取的历史行为越多, 越能准确的描述和预测后面的状态;
NLP(自然语言处理)技术中的注意力机制, 在序列处理能力方面的强大能力;
适合推荐的场景:
- 当前场景存在流量浪费或潜在用户流失的可能性较大; 例如确认订单页和订单完成页面;
- 当前场景中的用户处于选择过程中, 需要信息引导; 例如商详页;
- 用户在当前场景中具有较强的不确定性; 例如首页推荐;
不适合推荐的场景:
- 支付过程页面;
- 搜索页和分类列表页的商品推荐;
- 功能性页面; 例如订单管理, 客服, 投诉等;
推荐解释
猜你喜欢, 较复杂算法综合计算得到, 无法给出具体解释;
模块级解释, 或细化到每一个推荐结果中;
