筆者認(rèn)識(shí)一個(gè)朋友，雖然也網(wǎng)購聽歌打豆豆看在線電影，但是對(duì)自己的個(gè)人信息很是小心：快遞都是送公司前臺(tái)的，不留自家住址;注冊(cè)網(wǎng)站和APP，如果需要提供手機(jī)號(hào)碼以外的信息，就一概不用;商場(chǎng)里遇到掃碼送橄欖油之類的，更是看都不看。可是這么一個(gè)人，某天跑來告訴我說他在某電商網(wǎng)站買了一罐剃須膏，奇怪的是推薦欄里赫然出現(xiàn)了男士單肩包，還配了一句推薦廣告語“告別屌絲宅，從氣質(zhì)單肩包開始”，正中下懷。朋友很奇怪：明明他沒留下什么信息，可是網(wǎng)站好像很了解他。

面對(duì)網(wǎng)站推薦，很多人通常有如下種種迷思

1 我沒來過這個(gè)網(wǎng)站買過東西，它怎么能知道我喜歡什么?

2 網(wǎng)站推薦?只是“買了剃須膏，推薦剃須刀”這一類吧，so easy !

3 聽說某寶上買棺材包郵，我好奇上去搜了一把。結(jié)果TMD每次都給我推薦棺材壽衣……

4 我買了這個(gè)東西，只是朋友讓我代買，又不是我喜歡的。照這個(gè)來了解我的喜好? 是不是傻!

5 上網(wǎng)聽音樂的時(shí)候無意中聽到某種新曲風(fēng)，很喜歡，連聽好幾首?？墒蔷W(wǎng)站卻一直還在推薦我過去常聽的歌。 這個(gè)“智能推薦”的反射弧太長(zhǎng)。

6 在工作日，白天我是公司主管或者職場(chǎng)菜鳥，在晚上我可能是奶爸或者技術(shù)宅，在周末我可能是回家探望父母的孝子，不同角色里，我的購物需求千差萬別，這些事情一個(gè)網(wǎng)站不可能知道。

7 即使推薦欄里確實(shí)有一兩樣是我看中的，那也是誤打誤撞吧~

8 ··· ···

請(qǐng)相信，商家才不會(huì)放過任何一個(gè)商機(jī)。以上問題，統(tǒng)統(tǒng)有解!而這個(gè)解決方案，不錯(cuò)，就是被玩爛的“智能推薦”!

亞馬遜總裁Jeff Bezos曾說“所有的企業(yè)都需要青春永駐。如果客戶群跟你一起變老，你就會(huì)重蹈那些失敗企業(yè)的覆轍。”而一個(gè)企業(yè)，比如電商網(wǎng)站，信息健全、交易活躍且客單價(jià)超高的用戶，大概只有2/8效應(yīng)里那個(gè)可憐的“2”，那么如何更好地服(zuan)務(wù)(qian)剩下來的那個(gè)“8”?不斷新注冊(cè)的、沒有任何歷史信息的新用戶，同時(shí)再根據(jù)長(zhǎng)尾理論盤活冷門商品，這些就是推薦算法之于企業(yè)的核心價(jià)值。傳統(tǒng)的商業(yè)數(shù)據(jù)挖掘，會(huì)從用戶之間的相似度或物品間的相似度來綜合推薦，而潛因素分析(LFM，latent factor model，是智能推薦里的核心算法)要解決的是如何從用戶有限的表面行為里找到深層次的需求關(guān)系。我們就拿電商X網(wǎng)站為例，來扒一扒如何從一個(gè)沒有什么信息的人身上找準(zhǔn)他的需求和痛點(diǎn)。

你從來沒在X網(wǎng)站買過東西?

沒關(guān)系。 LFM里有一個(gè)大討論熱點(diǎn)就是如何給一個(gè)新用戶精準(zhǔn)推薦(冷啟動(dòng)問題)。解決方法也是層出不窮。比如下面這個(gè)聯(lián)合登陸：

一旦選擇了聯(lián)合登陸，那么恭喜你，你的很多信息將會(huì)被新注冊(cè)的那個(gè)網(wǎng)站獲得(這個(gè)在一個(gè)大集團(tuán)內(nèi)的不同子公司尤其盛行)。比如你在企鵝視頻上剛看過一部熱門電影，再去企鵝音樂上新注冊(cè)，推薦系統(tǒng)就會(huì)讀取你在視頻網(wǎng)看過的信息，推給你這部電影的主題曲了;另外一種做法是，你的手機(jī)里(以Andriod系統(tǒng)為例)已經(jīng)裝了炒股軟件、陸金所一類的金融APP，然后再注冊(cè)某新聞APP的時(shí)候一上去就會(huì)給你推理財(cái)資訊。再不然，你手機(jī)上的LBS定位信息，記錄下了你在不同網(wǎng)站行為，這些都會(huì)被集起來用做冷啟動(dòng)。即使你沒有聯(lián)合登陸，沒有在應(yīng)用超市下載過任何APP，沒有開啟LBS定位，沒有任何信息，都沒關(guān)系，你注冊(cè)的時(shí)候有手機(jī)/電腦(操作系統(tǒng)信息)吧，有注冊(cè)地IP(地區(qū)信息)吧, 有選擇語言吧, 以及注冊(cè)的時(shí)點(diǎn), 甚至電話，年齡, 性別和身份證號(hào)吧，推薦系統(tǒng)早已算好跟你同類的用戶，并且把同類里的”最熱門”推薦給你。這樣的推薦準(zhǔn)不準(zhǔn)?筆者的經(jīng)驗(yàn)是“全是套路”，可是療效不錯(cuò)。

所謂推薦，只是你買過剃須膏，就給你推薦剃須刀?

啤酒和尿布的故事流(liu)傳(du)甚廣，可是所有人都會(huì)在買啤酒的同時(shí)買尿布嗎?一萬個(gè)人心中有一萬個(gè)哈姆雷特，一萬個(gè)人的屏幕里也要有一萬個(gè)個(gè)性化首頁，這才是智能推薦的終極目標(biāo)。怎么做到?快使用LFM中的一大經(jīng)典算法——“協(xié)同過濾”來幫忙。用戶對(duì)產(chǎn)品的喜好程度可以寫成一個(gè)矩陣(下圖的R. Rij表示的是用戶i對(duì)產(chǎn)品j的喜好度，這正是我們要求的值。)。 LFM算法將自動(dòng)從產(chǎn)品抽取出若干分類(住宿、美食、電影、旅行，圖書等)，作為用戶和產(chǎn)品之間連接的橋梁，將R矩陣分解成“用戶對(duì)分類的喜好”和“各個(gè)分類下產(chǎn)品的權(quán)重”兩個(gè)維度(矩陣P和矩陣R)。

LFM對(duì)求解這個(gè)矩陣有一套很漂亮的最優(yōu)化模型，網(wǎng)上有很多介紹。我們這里只需要知道，對(duì)于一個(gè)用戶來說，當(dāng)計(jì)算出他對(duì)所有產(chǎn)品的興趣度后(矩陣R)，就可以進(jìn)行排序并作出推薦。比方說系統(tǒng)發(fā)現(xiàn)用戶A和B對(duì)各商品類別喜好很相似，而且發(fā)現(xiàn)A買了剃須刀后會(huì)買男士單肩包，那么在B購買了剃須膏后系統(tǒng)就可能也向B推薦男士單肩包，但是具體哪款單肩包，會(huì)按照用戶B對(duì)不同產(chǎn)品的喜好排序來挑他最喜歡的(這個(gè)只是用最簡(jiǎn)單的應(yīng)用來舉例，還沒有涉及到品類降維、平衡推薦商品的流行度與覆蓋度等問題。有興趣的歡迎后臺(tái)交流)。

聽說某寶上買棺材包郵，我好奇上去搜了一把，結(jié)果…

@#￥%……筆者也表示某寶太靈敏，也許把用戶估計(jì)成土豪style的即興消費(fèi)le ——興致來了就下單的那種。事實(shí)上，業(yè)界通用的推薦系統(tǒng)的無閹割版架構(gòu)分為Online-Nearline-Offline Recommendation(在線-近線-離線)三層混合機(jī)制，此處放上一張裝逼圖：

其中，Online會(huì)快速捕捉用戶行為信息。比方說搜了一次棺材，用戶很快就看到各種棺材壽衣的推薦。

Offline才是智能推薦的主體，定期將存在數(shù)據(jù)倉庫里的數(shù)據(jù)拿出來進(jìn)行批處理運(yùn)算以及模型的更新。Offline負(fù)責(zé)的通常是復(fù)雜大量的算法，比如之前介紹的LFM，還有購買力分析、關(guān)聯(lián)性分析、相似陣計(jì)算等等。一般來講，offline的更新頻率最低、而推薦結(jié)果是最好的。

Nearline則是將用戶產(chǎn)生的事件，利用流式計(jì)算得到一些中間結(jié)果，這些中間結(jié)果一方面發(fā)送給online部分用于實(shí)時(shí)更新推薦模型，另一方面將中間結(jié)果存儲(chǔ)起來。這個(gè)有些裝逼， 具體來說就是一旦出現(xiàn)了某人瀏覽了棺材這類的小小眾商品，且Online推薦決定要根據(jù)這個(gè)人的最近一次點(diǎn)擊推薦他同類產(chǎn)品(aka: 棺材)，Nearline算法會(huì)統(tǒng)計(jì)一下這個(gè)用戶的歷史行為和最近一次瀏覽的所有商品，發(fā)現(xiàn)原來這個(gè)客戶上來只是沒目的性地隨便逛逛，推翻Online的決定。有了這一層，看了啥就推薦啥的事也就少了。

即使偶爾我看中一兩樣推薦欄里的東西，那也是誤打誤撞吧?

人們選擇某樣產(chǎn)品，除了產(chǎn)品本身的屬性，還需要一個(gè)理由。

比如——

1 我買這件衣服，因?yàn)樗歉邎A圓同款;

2 我看電影《盜墓筆記》，因?yàn)槲沂锹龟纤乐曳?

3 我買這款理財(cái)產(chǎn)品，因?yàn)樗耐顿Y期限剛好和我的需求吻合。

然而讓推薦系統(tǒng)解釋推薦理由卻是一件藝術(shù)活兒。 設(shè)想一個(gè)推薦機(jī)器人對(duì)你說：”購買xxx吧，影響購買xxx的因素有1明星同款，2換季需求，3……”。 這類在數(shù)學(xué)上說得通的話，用在人機(jī)交互的場(chǎng)景中就顯得不夠自然，不夠通俗，與人與人之間的推薦相去甚遠(yuǎn)，效果也差強(qiáng)人意。

當(dāng)然也有很智能的推薦：比如筆者簡(jiǎn)單看了幾款平板狄安娜，某電商網(wǎng)站給出的推薦理由是“大牌高品質(zhì)平板熱銷Top榜!”; 后來筆者又瀏覽了幾款行李箱，該網(wǎng)站對(duì)平板電腦的推薦理由就變成“輕巧便攜數(shù)碼君，不再是出差負(fù)擔(dān)”。 顯然最開始的推薦只是大眾化推薦，然后通過筆者瀏覽行李箱的行為，智能推薦系統(tǒng)猜測(cè)筆者是要出遠(yuǎn)門，再進(jìn)一步聯(lián)想到筆者想要購買平板電腦來代替笨重且占空間的筆記本電腦。推薦理由也隨之變化。這樣的推薦與其說是機(jī)器學(xué)習(xí)，毋寧說是一個(gè)經(jīng)驗(yàn)老道的銷售員，隨著對(duì)客人需求的不斷了解，抓住客人的需求點(diǎn)進(jìn)行推銷。

綜上，信息爆炸的時(shí)代，智能推薦是大勢(shì)所趨。但僅僅一套算法(比如LFM)并不能做到對(duì)所有的人所有的場(chǎng)景一一滿足。用戶的需求是多變的，人與人之間的差別是動(dòng)態(tài)的，喜好和實(shí)際行為不是完全一致的，其中暗含著某些規(guī)律，但卻不可能被完全的，徹底的捕捉到。但是，好的產(chǎn)品經(jīng)理，好的技術(shù)人員，卻能根據(jù)實(shí)際的內(nèi)容，數(shù)據(jù)推薦之間靈活關(guān)聯(lián)，在實(shí)際運(yùn)營(yíng)之中根據(jù)需求靈活調(diào)整，共同組成一個(gè)最接近“智能”的推薦系統(tǒng)。

來源：36大數(shù)據(jù)