×
支持199IT發展可加入知識交流群(8K+用戶),最有價值數據分享和討論!
點擊即可加入!
關閉
title_temp-食色软件app下载

試著說說推薦算法

首先申明一下,推薦算法是個很大的話題,實際工程中也是很多策略交織在一起,所以本文主要是盡量通俗易懂的講清楚推薦算法是個什么東西,不追求深入、全面和絕對的精確!輕噴

食色APP以下內容分三部分:算法的核心;算法有多大用;實際工程中算法怎么工作的

1. 算法的核心是什么

食色APP推薦算法的核心是基于歷史信息尋找被推薦的東西(可能是人、物、信息)與用戶的一種關聯性,進而去預測你下一步可能喜歡什么,本質上還是基于統計學的一種推測(谷歌的深度學習除外)。

這里有兩個關鍵點:歷史信息;關聯性

歷史信息也就是大家所說的標準化數據

關聯性也就是大家常說的算法,他做的事情就是猜測你可能會喜歡怎樣的東西.要搞清楚這個問題,還是得回到人在不同的場景中會喜歡怎樣的東西,這個在不同的場景中差別比較大。舉兩個例子說明一下

對于微信朋友圈食色APP:用戶最關心的是我跟發布者的親密度,其次是內容的質量和內容的發布時間,這也就是Facebook智能信息流的雛形,根據跟發布者的親密度,內容的質量和內容的新鮮程度的一個混排算法。

對于美團外賣:用戶最關心的是這家餐廳好不好吃,價格貴不貴,有沒有優惠,配送時間長不長。至于我認不認識這家餐廳的老板,這家餐廳開業時間就不是重點,所以算法就可能是完全不一樣的思路。

不管Facebook信息流還是美團外賣,核心還是得去理解用戶在你的產品中到底喜歡怎樣的東西,這個是基礎,算法只是工具。

2. 算法真的有那么大效果嗎

食色APP這幾年今日頭條的成功,包括業內各種AI、人工智能的吹,讓我們以為算法無所不能,實際上算法真的有這么神奇嗎?

答案是沒有。。。

食色APP今日頭條的成功我認為主要還是靠對流量的理解,戰略和公司的運營、算法、數據化思維形成的執行力。算法在里面只是一環

食色APP舉一個淘寶的例子,去淘寶的人從需求的強弱程度來看分三種:明確知道我要買啥的,知道我要買啥品類但具體買啥不知道,就是來逛的。

第一類算法沒有增長點,我就要買個蘋果的iphoneX,你再怎么推薦我也是買個蘋果X

第二類算法的增長點一般,我要買個藍牙耳機,算法處理的好能提高成單率,客單價,利潤,但也是有限的,因為用戶進來之前已經有了一些基本的預算之類的預設。

第三類是比較大的增量空間,因為第三類屬于激發性需求。就像你去商場聽導購一頓忽悠,買了本身不需要的東西。但是第三類的成單量本身的占比并沒有那么大。

所以綜合下來,算法實際的效果也就是在完全沒有算法的基礎上有1.1,1.2,1.3倍這樣的效果,這是由用戶的需求總量決定的。

當然我不是說算法沒用,因為在同等成本結構的基礎上,你的轉化率哪怕比競爭對手高5%,那也是巨大的效率碾壓。我只是想說算法沒有大家吹得那么厲害,并不能直接決定一家公司的成敗,算法只是一個輔助。

3. 水果店案例說明算法在實際工程中的工作過程

食色APP在實際的商品類的推薦系統中,主要分三大塊:收集數據和整理(商品畫像、用戶畫像);算法推薦;上線實驗及回收結果。

收集數據及整理

食色APP假設小明開了一個有3家分店的大型水果連鎖店,收集數據階段主要包括:

商品屬性信息:小明將店內的每一個水果以及水果的信息都記下來,甜的還是酸的,品質S還是A,有沒有損壞,性寒還是熱,單價貴不貴,有沒有優惠等等。這是商品的基本屬性信息。

商品反饋信息:銷量咋樣,停留率咋樣,停留轉化率咋樣,用戶的評價反饋咋樣。這個是基本的反饋信息。

食色APP人的基本屬性:什么人,什么小區,穿著打扮咋樣,年齡多大,哪里人

食色APP人的行為信息:這次買了啥,下次買了啥,看了啥,咨詢過啥,買完之后反饋咋樣。

數據階段收集是一方面,最關鍵的是收集的數據是結構化的,是在用戶的購買決策中是有效的,比如說用戶中途出去抽了一根煙這種信息就沒啥用。。。

算法推薦

算法階段關鍵的還是搞清楚用戶在不同的場景中會喜歡怎樣的水果。

食色APP我個人喜歡把商品推薦主干算法分為4個部分:質量評估,個性化,場景化,人工干預

質量評估:有些標準是存在絕對的好與壞的,水果是不是好的,性價比高不高,銷量好不好,優惠力度大不大,用戶反饋好不好這些是存在絕對的好與壞的,我相信沒人想買個爛蘋果。

個性化:食色APP有些東西是存在個體差異的,甜的還是酸的,進口的還是國產的,水果的品種是櫻桃還是芒果,性涼還是熱的,品質分級是S還是A(跟前面的爛沒爛兩個概念)。

舉個例子:一個金融白領可能喜歡的是甜的車厘子,進口的,品質S級的,優惠不敏感,客單價高;而小區的家庭主婦喜歡的可能是楊梅,品質還過得去的國產的就行,很在乎優惠,客單價適中的。那對于前一種用戶就可以推一些客單價高的,毛利高的進口產品,相應的也可以少設置優惠;對于后一種就應該推一些性價比高的,有折扣的清倉的商品。

場景化食色APP:不同的時間和地點會一定程度上影響用戶的消費決策,比如夏天大家喜歡吃西瓜,在醫院邊上香蕉好賣,中午的時候不帶皮可以直接吃的東西好賣因為大部分下午還要上班,晚上則需要處理的也賣的還可以。這個就是不同的場景帶來的影響

人工干預:算法本身是不帶意志的,但是很多時候人會強加一些意志上去,比如說最近年底沖業績了,需要強推高毛利的商品了;比如這個櫻桃是合作方的,需要強推;比如有些東西快過期了,需要強推。這個時候就需要人工去做一些干預

算法最后做的就是把里面每一個環節打上一個分,最后再把這些因素去加總得到一個最后的結果呈現在用戶面前。但是這個分怎么打?這個就涉及到算法的價值觀

食色APP所謂算法的價值觀,就是你希望算法最終的結果是怎樣的,我是希望銷量最大化還是銷售額最大化還是利潤最大化。不同的目標帶來不同的結果。因為算法只是為目標最大化負責的。

算法在處理每一項得分的時候也挺簡單,簡單說就是,如果我的目標是銷量最大化,那有兩個特征:優惠力度,評價,如果隨著優惠力度的提高購買轉化率急劇提升,那么我認為優惠力度這個特征權重就高,如果隨著評價的提升購買轉化率提升較慢,那么我認為評價這個特征的權重就一般。

這個過程并不復雜,算法的優勢在于他能記錄更豐富的信息(工程中特征數量可能達到百萬級),處理海量的數據。這是算法比人有優勢的地方

食色APP這個大概能支撐起一個算法的框架,實際的應用中會在一個主干算法的基礎上去迭代很多小的策略。

食色APP下面舉幾個具體的細分迭代策略:

比如說買了芒果的用戶很大比例都買了櫻桃,那相應的會把買芒果的用戶列表中的櫻桃相應的往前提。這個就是大家常說的購物籃算法

食色APP比如說同樣是國貿摩根大廈的用戶更喜歡進口水果,那對于一個摩根大廈的用戶他列表中的進口水果,高客單價水果需要往前提。這個類似協同過濾,通過找到跟你類似的人,再去看他們喜歡啥。

食色APP比如說你第一次買了榴蓮之后打了差評,以后就需要降低榴蓮及相關水果的權重。這個就是負反饋。

比如說你的列表中連續出現了3種葡萄,那這時候大概率是應該把他們打散一下,盡量一頁別出太多葡萄。這就是打散

食色APP比如當你在瀏覽的過程中點擊了櫻桃,那根據購物籃原來喜歡買櫻桃的人也喜歡買芒果,那下一頁加載的時候需要動態的增加芒果的權重? — 這個是實時反饋

實驗及回收效果

個人認為快速的實驗迭代和效果回收是算法高效率的關鍵,也是互聯網的核心。修路造橋錯了就是錯了,而互聯網產品這版效果不好下一版還能優化。算法是將這種快速迭代推向了頂峰,同時幾十個實驗在線上AB測試,不需要發版,好不好馬上就能看出來。

AB測試的過程有點類似如果我有5家水果店,我要驗證新引進的櫻桃設置怎樣的價格能收益最大化,我可以5家店同時設置5種價格,賣一周看看結果。

食色APP實驗主要分兩個部分:實驗及效果回收

食色APP實驗就是在其它東西都一樣的情況下,留出一個不一樣的東西,然后觀察最后的結果,這樣比較好確定最后的結果差異就是由這個不一樣的東西帶來的。

食色APP效果回收主要是看數據和人去看實際推薦的結果,看數據需要覆蓋多一些的指標,因為很可能銷量好了毛利降了,或者毛利好了當天剩余率升高了。

人工去看結果主要是一個二次確定的過程,比如在頭條里面各種數據都很好,但是推出來的內容很低俗,或者這種數據好人看完之后憑經驗知道這不是長久之計,比如周圍就一家水果店你惡性提價。。

作者:s_crat

感謝支持199IT
我們致力為中國互聯網研究和咨詢及IT行業數據專業人員和決策者提供一個數據共享平臺。

要繼續訪問我們的網站,只需關閉您的廣告攔截器并刷新頁面。
滾動到頂部