網際網路環境下資訊數量急速上升，資訊的更新極其頻繁，幾乎每時每刻都在產生資訊，但使用者的資訊容量有限， 使得大部分有價值的資訊無法抵達使用者，從而造成資訊過載；另一方面，如此種類繁多、數量龐大的新聞，大部分是冷門新聞， 沒有曝光的機會，導致出現物品的“長尾問題”。

據統計，2020年中國手機新聞客戶端使用者規模達7.11億，如何打造一款主流的新聞客戶端，解決資訊過載和長尾問題是關鍵。個性化推薦技術在解決這兩個問題中起著極其關鍵的作用。 新聞資訊中的個性化推薦是根據使用者的歷史行為資料進行興趣點深度挖掘，從大量的新聞資訊中找出使用者最感興趣的進行推薦，從而不僅滿足了使用者本質的資訊訴求，改善了使用者體驗，且大量的新聞資訊也有了曝光的機會，有了適合的受眾群體，避免了資源浪費。

除了個性化推薦，相關推薦和熱門推薦也被廣泛應用到新聞客戶端中，本文將對其將對這些推薦型別做詳細介紹。

達觀推薦邏輯詳解

推薦1

資訊推薦可分為三大類，首先是資訊的個性化推薦，一般在app的首頁，根據不同使用者的喜好，為其提供“千人千面”的個性化內容；

其次是熱門資訊推薦，結合海量使用者的行為資料，計算當前熱門資訊內容榜單；以及資訊詳情頁下方的相關推薦，透過內容側和使用者側兩個維度計算資訊相似度進行推薦；

除此之外，在三大型別的推薦技術基礎上，可結合地域資訊，為使用者推薦當地的資訊。

1.做好資訊個性化推薦4大要點

推薦2

資訊的個性化推薦一般有多個維度的召回策略，包括但不限於：

第一，透過協同過濾、UCB等推薦演算法的召回策略；

第二，基於內容的召回：利用達觀自研的NLP技術，對資訊內容中的標題、內容等文字資訊進行分析，透過標題、標籤相似進行召回；

第三，基於行為的召回：根據使用者的點選、點贊、收藏、評論、深度閱讀等行為分析使用者興趣，基於使用者偏好召回；

第四，基於規則召回：為配合資訊的業務需求，一般可加入運營規則對召回策略進行干預，例如：

時效性規則：只推薦1個月以內的內容，並且優先推薦最新的資訊內容。
多樣性規則：例如希望推薦內容中，社會類、娛樂類、科普類呈多樣性分佈。
打散規則：推薦內容中，希望同一個類別，作者不連續呈現。

2.如何制定資訊相關推薦規則

推薦3

第一，基於內容側推薦，綜合資訊的標題、標籤、類別、作者等欄位做相似性分析，推薦相似資訊。

第二，基於使用者側推薦，利用使用者的協同過濾和物品的協同過濾演算法進行推薦。

第三，加入業務規則限制，例如控制新聞欄位對相關推薦模型的權重，標籤>標題>類別>作者。

3.如何制定資訊熱門推薦規則

推薦4

第一，根據海量使用者的點選、點贊等行為資料，計算新聞熱度，生成排行榜單進行推薦。

第二，根據時間維度，加大24小時內的新聞的權重，保證最新的新聞的曝光率。

第三，合理調整熱門推薦重新整理機制，如2-4小時計算一次熱門榜單。

第四，結合app定位，調整不同行為對熱門模型的權重影響，如加大深度閱讀行為或者分享行為的權重。

第五，行為對熱門模型的影響度按時間遞減，例如今天的點選行為權重高於昨天的點選行為權重。

目前，在媒體和資訊行業達觀已經服務江蘇廣電、陝西廣電、深圳廣電、澎湃新聞、人民網、四川日報、廣而告之、聚看點等幾十家知名客戶。在客戶服務過程中，達觀智慧推薦團隊針對客戶應用場景，從業務、監管、特定推薦等角度，提供推薦模型的定製和最佳化。

此外，達觀資料智慧推薦產品在銀行業、影片等各個領域進行應用，客戶涵蓋招商銀行、浦發銀行、民生銀行、江蘇銀行、寧波銀行、中國移動、長虹、安利等近百家各行業龍頭企業。

達觀資訊推薦系統助力打造更懂使用者的新聞客戶端

達觀推薦邏輯詳解

相關文章