推薦系統存在必要性
流量利用
流量的四個特點: 稀缺性, 在流量紅利退去之後, 部分市場近似零和遊戲, 獲取流量成本不斷增加; 不確定性, 引入使用者後如何判斷使用者來到該網站的意圖, 以便進一步針對性的營銷活動, 滿足使用者需求並提高使用者體驗; 差異性, 基於使用者個性, 所處情境不同; 連通性, 影響流量的流轉效率;
流量成本:
- 外部成本, 將使用者從站外拉到站內所需成本, 即獲客成本, 包括廣告, SEO, SEM, 促銷等;
- 內部成本, 流量引入站內後, 會佔用其他頁面的收益;
推薦解決搜尋無法解決的問題:
- 意圖無法用搜尋表達;
- 使用者處於一種逛的心態;
- 使用者意圖不等於使用者需求;
差異性 體現在購物意圖不同, 消費水平不同, 品牌調性偏好不同, 興趣愛好不同;
長尾挖掘
與二八原則相對立, 分歧在於 20% 的頭部供給是否滿足大部分人的需求;
長尾理論, 對資源進行最優的匹配和利用, 使各種資源的價值最大化;
使用者體驗
內容是一個網站的核心;
從使用者主動獲取資訊的角度來看, 搜尋和分類是獲取內容的主要渠道;
基礎體驗, 做不好會罵你, 做好了也不會誇你;
推薦體驗/增量體驗, 做不好會莫名其妙, 做好了會有意外驚喜;
技術儲備
拿來型技術, 從零開始上手的難度低;
積累型技術, 需要足夠多的專案, 足夠複雜的場景磨鍊;
推薦的產品問題
推薦什麼東西
可以推薦商品(最小粒度的內容), 運營活動, 促銷活動, 搜尋詞(搜尋提示);
非普適性特點的內容均可以做推薦;
為誰推薦
消費型使用者, 生產型使用者;
推薦系統的目的是把合適的內容匹配給合適的內容使用者;
推薦場景
使用者當前所處的位置
使用者的歷史位置
馬爾科夫鏈, 使用者在網站上的一系列行為定義了他當前所處的場景, 所取的歷史行為越多, 越能準確的描述和預測後面的狀態;
NLP(自然語言處理)技術中的注意力機制, 在序列處理能力方面的強大能力;
適合推薦的場景:
- 當前場景存在流量浪費或潛在使用者流失的可能性較大; 例如確認訂單頁和訂單完成頁面;
- 當前場景中的使用者處於選擇過程中, 需要資訊引導; 例如商詳頁;
- 使用者在當前場景中具有較強的不確定性; 例如首頁推薦;
不適合推薦的場景:
- 支付過程頁面;
- 搜尋頁和分類列表頁的商品推薦;
- 功能性頁面; 例如訂單管理, 客服, 投訴等;
推薦解釋
猜你喜歡, 較複雜演算法綜合計算得到, 無法給出具體解釋;
模組級解釋, 或細化到每一個推薦結果中;
