本文作者从日常生活实践出发，对什么是个性推荐、个性推荐的价值、个性化推荐策略如何制定以及评估等进行了梳理分析，并从10个维度进行了探究，与大家分享。 “嘀嘀嘀嘀嘀嘀嘀嘀嘀” 每天都从前一天Siri根据我作息习惯设置好的闹铃中起床，洗漱完出发去上班，在路上听着网易云推荐的歌曲，唤起一天的好心情。 工作中的闲暇时间，打开了大麦看看最近的活动，在首页就发现了感兴趣的电音节活动，赶紧买下了票。 吃完午饭打开淘宝查看之前买的闪光灯物流信息，发现首页推荐的“ND滤镜”不错，下单了。 不知不觉一天过去了，睡前阅读豆瓣推荐的《百年孤独》，不久便睡了 这是我日常生活中的一天，里面的产品影响着我的生活，而其中个性化推荐在其中扮演着重要的角色。 那么，什么是个性化推荐？为什么要有个性化推荐？它能给我们带来什么？ 下面我们就以电商领域的个性化推荐，从以下几个维度来揭开它的神秘面纱。 个性化推荐的定义 个性化推荐的产生背景 个性化推荐的价值 适合做个性化推荐的产品 推荐的系统搭建过程 个性化推荐策略方法论 个性化推荐效果评估体系 个性化推荐发展阻碍 个性化推荐发展趋势 总结 一、个性化推荐的定义 个性化推荐，本质上是在用户购物意图不明确的情况下，利用机器学习（深度学习）结合用户特征、物品特征和场景特征（时间、空间等）来构建用户兴趣模型，从海量的商品中找到用户感兴趣商品，缩短用户到商品的距离，提升用户购买效率和产品体验。 二、个性化推荐的产生背景 个性化推荐的产生，主要是由需求和技术发展推动的。 需求方面： 信息过载，用户找到匹配自己的商品比较困难 随着生活水平提高，人们的需要也从低级的需求上升到更多的高级、享受性、能展示自我的个性化的需求。 人口红利消失，企业的增长已从增量增长过渡到存量增长，继续提升存量的转化效率。 技术方面： 算法能力得到提升 算力有大幅度提升 数据趁指数级增长 三、个性化推荐的价值 个性化推荐的价值体现在以下三个方面： （1）用户维度：提升购物效率，更快的找到满足需求、喜好的商品，缩短与商品之间的距离。 （2）产品维度： 满足用户的个性化的需求，博得用户好感，提升用户体验，提升留存转化与复购。 解决信息过载的问题，提升信息分发效率，挖掘长尾商品，实现平台商品流量均衡。 （3）企业维度：用户活跃度提升、复购提升，可以吸引更多卖家入驻，提升广告和佣金收入。 四、适合上线推荐系统的产品 推荐系统的价值是解决信息过载或者解决长尾物品分发。这里有一个前提，就是物品数量和用户数量要达到一定的基数，才能凸显出个性化推荐的优势。不同类型、不同阶段的产品，物品和用户的量都不一样。 产品类型：纯工具类的，如日程清单工具，产品定位是用完即走，有用户无物品，则无需上推荐；而资讯、短视频、电商等有大量用户和内容的产品，则有上推荐价值。 产品阶段：早期阶段，用户量和物品量较少，或用户行为很少，就暂时没必要上。即便上了个性化推荐系统也并不能很好体现出其最大价值，很多时候不如对业务和用户了解清楚，使用专家规则效果更好。 五、推荐系统的搭建阶段 个性化推荐系统的搭建工作基本上由工程人员完成，且系统搭建流程相对而言较为复杂，这里因篇幅的问题就不暂开说明，感兴趣的同学可以移步阅读京东商品个性化推荐系统架构演进，里面做了较为详细的介绍。 六、个性化推荐策略方法论 接下来就以电商移动端首页“猜你喜欢”场景来介绍推荐策略的制定。 1。策略制定的思考方向 推荐策略的制定基本遵循以下3个方向： 心理诉求 场景目标 业务述求 第一个点，要知道用户的心理诉求 即用户在该场景下需要什么，怎么做？可以通过用户在终端上的行为分析得出，用户访问该推荐场景时，可以根据其当天的行为轨迹判断用户当时的心理诉求。 在当天内，本次访问之前对商品有过行为，则认为用户有较急迫、明确的购物需求 在当天内，本次访问为首次访问，则认为用户无急迫、明确购物需求，但想找到感兴趣商品 第二个点，明确场景目标 知道了用户的心理诉求，那么我们的场景目标就是满足用户的心理诉求：既要满足用户急迫的、明确的需求，又要挖掘并满足用户潜在的需求。 第三点，业务述求 一个良好的个性化推荐系统，除了要满足用户的需求以外，还要能帮助平台带来业绩增长，提升流量健康度。所以推荐系统在制定策略时，需要兼容业务的运营策略，比如对优质商品、新款爆品、低爆高转等商品进行排序提权，而对低爆高转、高库龄呆滞、N天无动销、发季节等商品进行排序降权。 2。策略制定详细说明 明确场景目标，便可以结合业务述求制定详细的策略。 首先，我们要找到（召回）满足场景目标的商品。 对于急迫明确的购物需求，给用户推荐其行为过的商品的相似商品，以满足其急迫的明确购物诉求。 为什么推荐行为过的商品的相似商品给用户就能最大概率满足用户的需求呢？因为人每个行为都是有动机的，动机是找到满足需要的目标事物的驱动力，行为商品就是目标事物，在电商领域可以直接等同于用户需要。 行为过的商品，但没有下单购买，说明有部分属性不符合用户需要，而找相似商品，则能最快的找到完全满足用户需要的商品，也就能最大概率的满足用户购物需求。 对于不明确的、潜在的购物需求，我们可以通过推荐以下4个方面的商品来挖掘并满足用户的需求。 兴趣偏好：通过算法模型利用用户的历史数据（如3个月）计算用户的兴趣偏好，如类目偏好、品牌偏好等，给用户推荐偏好商品，挖掘出潜在需要，转化为现实需要，实现需要的满足。 相似人群：一个群体中热销的商品，反应出该群里都有相似的需求。可以基于用户的基本信息和行为特征找到相似人群，并找到其中的热销商品，为其推荐，能最大概率满足其需要。 场景相关：季节性、节日相关的商品。如快中秋节了，用户可能有购买月饼的需求，那么我们就给用户推荐月饼。 兴趣探索：可利用知识图谱等方式挖掘用户可能感兴趣的新商品。 对于业务述求，可以根据业务规则找出满足要求的商品融入到推荐结果集中，或直接使用业务规则对结果集的商品进行排序微调。 找到满足场景目标的商品后，就对这些商品进行排序展示。 商品排序一般是由设定目标的模型自我学习得到，不过产品经理可以根据用户需求的紧迫程度、偏好程度来制定大概的排序策略，主要体现在特征的定性要求上。 比如说，加购行为权重大于点击行为权重，最近行为权重大于一段时间之前行为的权重等等。不同场景下使用的特征不同，特征权重也可能不一样，具体情况具体分析。 以上就是详细策略制定的思路，无论哪个场景都好，都基本上遵循上述3个方向指定策略。 七、个性化推荐效果评估体系 良好的效果评估体系技能判断出策略是否能达到目标，同时也能给后面的优化提供方向。不同时期的推荐系统侧重的评估指标不一样，以下是推荐系统较为全面的衡量指标。 1。用户维度 精准度（懂用户，能满足用户现实需求和挖掘出潜在需求） 体验流畅、稳定、沉浸（良好体验） 可解释性（提升用户信任度） 多样性（避免信息茧房，提升体验） 惊喜度（兴趣探索） 2。业务维度 业务指标（CTR、GMV、留存率、浏览深度等） 可扩展性强（兼容各种运营策略） 挖掘长尾商品，实现曝光均衡 赋能周边系统，实现业绩增长 八、个性化推荐的发展阻碍 虽然说推荐系统已经很大程度缓解了信息过载的问题，满足用户的个性化需求，但是目前仍有部分问题阻碍着推荐系统的发展，比如说随着用户对隐私的重视，数据获取难度加大，新用户推荐不精准，信息茧房等，而这些问题，短期内还没有一个较好的方法完全解决。 九、个性化推荐的发展趋势 根据目前的技术发展以及对人脑认知程度来说，推荐系统短期内比较难做到革命性的创新，所以推荐在短期内更多的发展重点会方向场景融合（富媒体混合推荐）、数据跨平台打通、兴趣模型探索等这些方向。 而从长期来看，随着心理学、脑神经学、算力算法、物联网的发展为推荐系统赋能，使得推荐系统能跨越手机、PC等单一终端，在更多终端同步，实现人们在全场景下，适当的时间、适当的地方，给用户提供满足其需要的东西，这也应该是推荐系统的最终理想态吧。 十、总结 上面从产品的角度对推荐系统做了一个较为全面的介绍。 总体而言，个性化推荐系统在当前流量红利消失殆尽的情况下，已经成为各个产品留存和增长的一大利器。不过也如上所说，目前遇到的瓶颈也比较大，不过相信后面随着技术和基础科学的发展，个性化推荐系统比现在更智能，更懂用户。 以上是我做推荐策略产品经理后对推荐系统的一些看法，欢迎大家交流沟通。
