从0开始作互联网推荐-以58转转为例

从0开始作互联网推荐【产品+算法+实现】

 

1、58转转简介

58旗下真实我的闲置物品交易平台

 

2、从0开始设计推荐产品框架

（1）首页推荐：提取用户画像，根据线下提取出的用户年龄、性别、品类偏好等在首页综合推荐宝贝

（2）宝贝详情页推荐：买了还买，看了还看类的关联宝贝推荐

（3）附近推荐：和首页推荐的差别在于，提升了地理位置的权重，地理位置不只要包含当前地理位置，还须要包含常见活跃区域，例如家里、公司等

（4）搜索推荐：除了关键词全匹配，要考虑同义词、近义词、易错词、拼音等推荐，产品层面，提示“你是否是想找xxoo宝贝”

（5）召回推荐：在用户退出系统后，经过RFM模型作优惠券推送或者消息推送作客户挽留与召回

 

TIPS：什么是RFM模型？

RFM模型：根据用户最近一次购买时间Recency，最近一段时间的购买频度Frequency，最近一段时间的购买金额Monetary，加权获得的一个表明用户成交意愿的一个分值。

 

3、从0开始进行推荐策略实现

【用户画像】

根据用户填写的资料、用户历史行为（购买、收藏、喜欢、分享、评论、浏览等行为）、微信背后的用户画像，获得用户的特性画像：

年龄段 -> 推荐母婴、3C用品？

性别 -> 推荐母婴、美容保健用品？

手机型号 -> 推荐手机

活跃时间 -> 在这个时间段推送消息

品类偏好 -> 相关品类推荐

地域 -> 附近推荐

…

 

【如何构建画像】

（1）读取用户安装的应用程序列表构建画像

装有滴滴用户端 -> 没有车

装有滴滴司机端 -> 有车

装有CSDN -> 男性

装有美柚、美颜APP -> 女性

…

（2）用户行为日志

启动日志 -> 获取活跃时段

经纬度 -> 获取活跃地域

购买、收藏、喜欢、分享、评论、浏览-> 获取品类偏好

第三方数据 -> 完善用户画像

 

【宝贝画像】

58转转的宝贝都是非结构化的数据，比较难作统一的宝贝画像，只能细分品类的作宝贝画像，例如手机画像等。

 

【如何构建宝贝画像】

对于58转转来讲，要作宝贝画像必须细分类别，能够分词词频统计配合人工review的方式画像，以鞋为例，画像可能为

单鞋

纯牛皮

尺码

适合春秋穿

女鞋

价格及变更

包邮

 

【标签化与个性化推荐】

画像完成以后，如何对用户进行宝贝推荐呢？

（1）给用户和宝贝画像完毕以后，要将每个用户和每个宝贝打上标签TAG

（2）统计用户uid全部购买、收藏、喜欢、分享、评论、浏览的全部宝贝ID集合set<bb-id>

（3）统计这些宝贝ID全部对应的TAG，使用加权打分的方式，能够根据频次统计出对各TAG的喜爱程度

（4）对于全部宝贝，根据uid对各TAG的喜爱程度，使用加权打分的方式，能够统计出对各宝贝的喜爱程度

（5）排除已经购买、收藏、喜欢、分享、评论、浏览过的宝贝，其余宝贝按照打分高低推荐便可

（6）搜索推荐须要加上“搜索条件”，附件推荐须要增强“附近权重”

须要注意的是，个性化推荐的准确性，必定程度上依赖于历史行为数据的收集，对于新用户，在缺少历史行为积累时，能够推荐“热度最高”的宝贝，将来再根据其历史行为，不断加强推荐的准确率。

 

【分类预测推荐】

一个用户对一个宝贝是否进行购买，能够抽象成一个0和1的分类问题，也能够抽象成一个购买几率的数学问题，能够构造分类模型来计算用户对每一个宝贝的购买几率，将几率最高的做为推荐的宝贝。

为了实现分类预测推荐，须要：

（1）准备训练数据集，包含用户、宝贝、用户是否购买了宝贝等历史数据，须要注意的是，数据集应当覆盖尽量多的用户（要包含全部TAG）和宝贝（要包含全部分类及TAG）

（2）构造训练分类模型

（3）根据模型训练的结果，计算每个用户对每个宝贝某买的几率

（4）按照几率排序，对宝贝进行推荐

 

【协同过滤推荐】

协同过滤，用过的人都知道，不必定效果最好，但几乎适用于全部的业务场景：当向用户A作协同过滤推荐时，能够先找到和他兴趣类似的用户群体G，而后把G喜欢的、而且A没有点击过的宝贝推荐给A，这就是基于用户的协同过滤。

为了实现系统过滤推荐，须要：

（1）准备训练数据集，根据每一个用户对每一个宝贝的喜爱，构建喜爱矩阵（这是一个很是稀疏的矩阵），根据用户对宝贝购买、收藏、喜欢、分享、评论、浏览的行为量化这个喜爱

（2）构造系统过滤训练模型

（3）针对每个用户，根据模型给出其喜爱宝贝列表

在作协调过滤推荐时须要注意，较新的宝贝，因为大部分人都没有相关喜爱数据，因此使用协同过滤推荐时，新宝贝比较难被推荐上去，这是协同过滤的缺点，须要综合其余推荐策略来解决。

 以上内容均来自微信公众号“架构师之路”胡剑老师的文章，欢迎关注。