最近在淘寶上瀏覽了很多，也經(jīng)常刷到淘寶【猜你喜歡】的feeds推薦，想以這個(gè)模塊來聊一聊關(guān)于我對(duì)推薦系統(tǒng)的一些想法~

淘寶【猜你喜歡】模塊分析：

模塊入口：購物車頁面底部、訂單列表頁面底部、收藏夾頁面底部

業(yè)務(wù)目標(biāo)：促進(jìn)用戶完成更多潛在交易

用戶目標(biāo)：無明確目標(biāo)，目前狀態(tài)為笨笨①用戶，大多是進(jìn)行過其他操作后順手瀏覽至此頁面。在列表瀏覽的過程中可能轉(zhuǎn)化為大明用戶，完成購買操作。

①注：梁寧產(chǎn)品思維30講中有一種用戶畫像是講用戶分為笨笨、大明、小閑。笨笨用戶指沒有明確目標(biāo)的用戶，大明是目標(biāo)明確的用戶，小閑是打發(fā)時(shí)間的用戶。

猜你喜歡頁面用戶路徑：

僅看表格，似乎點(diǎn)擊商品-進(jìn)入大圖相關(guān)推薦流列表-立即購買，是最快的下單步驟；但由于在此欄目逛的用戶沒有明確的購買目標(biāo)，并且此頁面提供的信息量也非常有限，難以支撐用戶獲取足夠信息做出下單決策；所以大部分用戶在這里應(yīng)該更傾向去商品詳情頁查看，反倒是增加了用戶路徑。

推薦邏輯分析：

業(yè)務(wù)目標(biāo)是促進(jìn)潛在交易，在確定推薦邏輯的時(shí)候，首先梳理用戶會(huì)因?yàn)槭裁疵创俪山灰祝勘热缡烊送扑]、自己需要、自己不需要但是喜歡、雖然不是急需但是有限時(shí)優(yōu)惠等等。

回到算法層面，我們來看下算法如何在海量商品中挖掘出用戶可能會(huì)購買的產(chǎn)品。

熟人推薦：用戶可能會(huì)買好友買過或分享過的商品，來源于好友的交易記錄、分享記錄；

自己需要：買了面包可能會(huì)需要牛奶、起司等，牛奶、起司就是潛在的需求；

自己不需要但是喜歡：喜歡的東西在歷史行為中會(huì)有明確偏好；喜歡買衣服的人，一定會(huì)有大量衣服商品的瀏覽記錄或者收藏記錄等等；

雖然不繼續(xù)但是有限時(shí)優(yōu)惠：生活中總有一些無法缺少的東西，當(dāng)下不一定急用，但是大家也愿意趁便宜屯著，比如紙巾類生活必需品；

以上的推薦來源，通過基于用戶的協(xié)同過濾、基于內(nèi)容的協(xié)同過濾、標(biāo)簽、以及特定的知識(shí)規(guī)則，大致可以覆蓋。在第一步完成通過多個(gè)模型對(duì)內(nèi)容進(jìn)行召回，第二步進(jìn)入排序的過程。

由于多個(gè)模型共同做內(nèi)容召回，所以不同模型召回的內(nèi)容中可能會(huì)有一定的重復(fù)內(nèi)容，在對(duì)所有召回內(nèi)容進(jìn)行排序時(shí)，應(yīng)當(dāng)進(jìn)行去重，畢竟一樣的內(nèi)容被動(dòng)多次觀看體驗(yàn)不好。如何對(duì)多個(gè)模型召回的內(nèi)容進(jìn)行排序？可以參考一定的標(biāo)簽權(quán)重，比如內(nèi)容類型（商品/推薦集）、價(jià)格、商品熱度、召回來源等。大部分標(biāo)簽還是較為明確，按照用戶需求和業(yè)務(wù)目標(biāo)可以有大致權(quán)重，但多個(gè)召回來源的權(quán)重，很難估算，最好是拉取歷史數(shù)據(jù)進(jìn)行參考來確認(rèn)，比如拉取當(dāng)前用戶歷史交易數(shù)據(jù)，對(duì)不同來源的交易區(qū)分標(biāo)記，可以作為多個(gè)召回來源的權(quán)重參考。

排序輸出的列表可以根據(jù)業(yè)務(wù)需求，再添加一些推薦規(guī)則，比如是否插入廣告商品、是否插入其他活動(dòng)推薦頁等等。

體驗(yàn)描述：

總體來說，淘寶的猜你喜歡中時(shí)常推薦一些我會(huì)點(diǎn)擊瀏覽的商品，說明推薦是有命中我感興趣的商品，但極少情況下我點(diǎn)進(jìn)去看完會(huì)立即下單。就是感興趣，但不那么需要購買的商品居多；如果是感興趣，又需要，但平時(shí)容易想不起來夠買的商品，更易促進(jìn)潛在交易。

列表中也會(huì)時(shí)?？吹揭恍┫嗨贫雀叩纳唐芬约耙呀?jīng)瀏覽過的信息流內(nèi)容；這種重復(fù)的內(nèi)容會(huì)極大削弱繼續(xù)瀏覽列表的欲望。并且瀏覽時(shí)超過一定時(shí)間，會(huì)有明顯的興趣下降，這個(gè)時(shí)候很容易離開。

推薦系統(tǒng)如何更好服務(wù)用戶？

互聯(lián)網(wǎng)海量的信息下，除了內(nèi)容非常垂直，且內(nèi)容量極少，或者分類明確并且需求明確的一些場(chǎng)景外；大部分的場(chǎng)景都是使用推薦系統(tǒng)作為信息分發(fā)的解決方案，推薦內(nèi)容的好與壞也時(shí)刻影響著用戶的情緒，好的情緒互惠互利，用戶滿足，平臺(tái)完成商業(yè)閉環(huán)；壞的情緒互相拜拜，用戶覺得找不到想要的離開平臺(tái)。從用戶使用的角度出發(fā)，除了優(yōu)化推薦因子、算法模型之外，我認(rèn)為推薦場(chǎng)景化、推薦情緒化是兩個(gè)有效提高用戶體驗(yàn)的方向。

推薦場(chǎng)景化

在推薦內(nèi)容的過程中，在確認(rèn)推薦策略的時(shí)候，除了考慮到用戶標(biāo)簽、協(xié)同過濾，需求匹配等，加入場(chǎng)景匹配，盡可能靠近用戶在當(dāng)前場(chǎng)景更容易觸發(fā)場(chǎng)景需求：比如周一到周五，白天時(shí)間，白領(lǐng)用戶大多在工作場(chǎng)景，如果在當(dāng)前瀏覽中看到一些工作減壓及提效的內(nèi)容推薦，會(huì)更容易購買。

這個(gè)場(chǎng)景不僅是用戶當(dāng)前的空間場(chǎng)景，也包括地域場(chǎng)景、時(shí)間場(chǎng)景（如氣溫、節(jié)日）等；選購衣服的時(shí)候，不僅選購款式是否喜歡，還要考慮衣服的季節(jié)、使用場(chǎng)景，相似愛好的用戶黑龍江用戶和海南用戶，在選購春季服飾的傾向性上受氣候影響；七夕節(jié)前夕給伴侶購買禮品的人數(shù)會(huì)增多……

推薦情緒化

任何列表，用戶長(zhǎng)時(shí)間瀏覽都會(huì)有一個(gè)逐漸走低的情緒曲線；隨意瀏覽的用戶比目標(biāo)明確的用戶，體驗(yàn)下降點(diǎn)到來的更快。用戶瀏覽的過程中，雖然設(shè)定了一些主動(dòng)獲取用戶情緒的方式，比如長(zhǎng)按可以刪掉不喜歡的商品，對(duì)當(dāng)前內(nèi)容點(diǎn)贊之類的，但不是所有用戶都會(huì)主動(dòng)傳遞。建立完善的數(shù)據(jù)跟蹤系統(tǒng)，通過對(duì)CTR、跳出率、瀏覽時(shí)長(zhǎng)等數(shù)據(jù)分析，及時(shí)判斷用戶情緒狀態(tài)，感知用戶的體驗(yàn)下降，并對(duì)推薦做相應(yīng)策略調(diào)整。

用戶體驗(yàn)下降通常表現(xiàn)形式有持續(xù)加速滑動(dòng)列表，沒有點(diǎn)擊行為等，如果依舊找不到想要的內(nèi)容，下一步行為就是跳出。及時(shí)判斷用戶情緒狀態(tài)，在用戶情緒開始下降的時(shí)候進(jìn)行調(diào)整，比如有的信息流產(chǎn)品會(huì)在持續(xù)瀏覽超過N條沒有點(diǎn)擊行為時(shí)詢問用戶：“沒有想看的內(nèi)容，是否要換一批看看？”。

另一種能及時(shí)調(diào)整用戶體驗(yàn)感的方式是動(dòng)態(tài)推薦。以往很多推薦內(nèi)容都是離線計(jì)算，用戶請(qǐng)求時(shí)下發(fā)，但離線計(jì)算的內(nèi)容無法很及時(shí)針對(duì)用戶體驗(yàn)下降做出反應(yīng)，這就推動(dòng)了推薦的動(dòng)態(tài)化，根據(jù)用戶當(dāng)前的瀏覽行為、興趣偏好，實(shí)時(shí)推薦；比如抖音，如果用戶對(duì)當(dāng)前視頻很感興趣，下條會(huì)推薦類似內(nèi)容，如果當(dāng)前內(nèi)容不感興趣，下條推薦其他類型的內(nèi)容，能長(zhǎng)時(shí)間吸引用戶。